MINERÍA DE DATOS DE LA SALUD: ANÁLISIS DE LOS FACTORES …

MINERÍA DE DATOS DE LA SALUD: ANÁLISIS DE LOS FACTORES QUE INFLUYEN EN LA REALIZACIÓN DE CIRUGÍAS ESTÉTICAS

SANDRA MILENA SÁNCHEZ SÁNCHEZ

UNIVERSIDAD PONTIFICIA BOLIVARIANA

ESCUELA INGENIERÍAS

FACULTAD DE INGENIERÍA EN TECNOLOGÍAS DE INFORMACIÓN Y COMUNICACIÓN

MAESTRÍA EN TECNOLOGÍAS DE INFORMACIÓN Y COMUNICACIÓN

MEDELLÍN - 2017

MINERÍA DE DATOS DE LA SALUD: ANÁLISIS DE LOS FACTORES QUE INFLUYEN EN LA REALIZACIÓN DE CIRUGÍAS ESTÉTICAS


Trabajo de grado para optar al título de Maestría en Tecnologías de la Información y la Comunicación

Asesor

ANA ISABEL OVIEDO CARRASCAL

PhD. Ingeniería Electrónica

UNIVERSIDAD PONTIFICIA BOLIVARIANA

ESCUELA INGENIERÍAS

FACULTAD DE INGENIERÍA EN TECNOLOGÍAS DE INFORMACIÓN Y COMUNICACIÓN

MAESTRÍA EN TECNOLOGÍAS DE INFORMACIÓN Y COMUNICACIÓN

MEDELLÍN - 2017

DECLARACIÓN ORIGINALIDAD

“Declaro que esta tesis (o trabajo de grado) no ha sido presentada para optar a un

título, ya sea en igual forma o con variaciones, en esta o cualquier otra

universidad”. Art. 82 Régimen Discente de Formación Avanzada, Universidad

Pontificia Bolivariana.

FIRMA AUTOR _________________________________


C.C. 1.039.449.960

Medellín,13 de Marzo de 2017

RESUMEN

A nivel mundial, las cirugías estéticas se han convertido en procedimientos de

constante realización y año tras año han venido en aumento. Según la Sociedad

Internacional de Cirugía Plástica Estética - ISAPS, Colombia se ha mantenido a

nivel mundial entre los ocho países con mayor número de prácticas de cirugías

estéticas anuales. La cirugía estética requiere, como paso indispensable, la

asistencia a una cita de valoración con el especialista, y sólo el 40% de éstas,

culminan en la realización de algún procedimiento quirúrgico. Por tal razón, los

especialistas en cirugía plástica requieren identificar los factores que influyen en la

toma de decisión de los pacientes respecto a practicarse un procedimiento

estético. Se pretende entonces, mediante minería de datos, descubrir el perfil de

los pacientes con mayor probabilidad de realizarse una cirugía plástica y así,

definir los factores que influyen en la decisión de someterse a cirugías estéticas

como estrategia para la minimización de tiempo en espera en la asignación de

consultas de valoración.

PALABRAS CLAVE: Minería de Datos, perfilamiento de pacientes, priorización

de citas en cirugía plástica.

ABSTRACT

Globally, cosmetic surgery procedures have become constant realization and year

after year have been increasing. According to the International Society of Plastic

Surgery Aesthetics – ISAPS, Colombia has remained world-wide among the eight

countries with the highest number of annual cosmetic surgeries. Cosmetic surgery

requires, as an essential step, attendance at an appointment with the specialist,

and only 40% of these, culminate in the completion of a surgical procedure. For

this reason, specialists in plastic surgery need to identify the factors that influence

the decision-making of patients regarding the practice of an aesthetic procedure. It

is intended, through data mining, to discover the profile of the patients with greater

probability of performing a plastic surgery and thus, to define the factors that

influence the decision to undergo cosmetic surgeries as a strategy for the

minimization of waiting time in the Allocation of valuation queries.

KEY WORDS: Data mining, profiling patients, prioritization appointment plastic

surgery.

GLOSARIO

BRAQUITERIA: Es el tratamiento de tumores mediante el uso de material

radioactivo.

CIRUGÍA ESTÉTICA: Es la rama de la cirugía plástica que se encarga de mejorar

la apariencia estética de zonas del cuerpo-

CIRUGÍA MAXILOFACIAL: Es la rama de la cirugía que se encarga del

tratamiento y corrección de las deformidades congénitas o adquiridas en los

huesos del macizo facial.

MALFORMACIÓN CONGÉNITA: Es cualquier tipo de deformidad que se presenta

al momento del nacimiento.

TABLA DE CONTENIDO

INTRODUCCIÓN 12PARTE 1. FORMULACIÓN DEL PROYECTO Y REVISIÓN LITERARIA 14

1. DESCRIPCIÓNDELPROBLEMA 15

2. JUSTIFICACIÓN 18

3. OBJETIVOS 20

4. METODOLOGÍA 21

5. MARCOTEÓRICO 24

5.1. LA CIRUGIA PLASTICA 245.2. MINERIA DE DATOS 265.2.1. ANÁLISIS Y TÉCNICAS 275.2.2. EVALUACIÓNDELOSMODELOSDEMINERÍADEDATOS 295.2.3. METODOLOGÍAS DE MINERÍA DE DATOS 315.2.4. PLATAFORMAS DE MINERÍA DE DATOS 31

6. MARCOLEGAL 33

7. ESTADODELARTE 34

7.1. GENERALIDADES SOBRE ESTUDIOS DE CIRUGÍA PLÁSTICA. 347.2. MINERÍA DE DATOS APLICADA AL CAMPO DE LA SALUD. 357.3. MINERÍA DE DATOS APLICADA A OTROS CAMPOS. 377.4. DISCUSIÓN. 38PARTE 2. DESARROLLO DE LA METODOLOGÍA CRISP-DM 40

8. DESCRIPCIÓNDELNEGOCIO 41

9. COMPRENSIÓNDELOSDATOS 43

9.1. DESCRIPCIÓN DE LOS DATOS 439.2. LIMPIEZA DE DATOS 469.3. ANÁLISIS ESTADÍSTICO DE LOS DATOS. 519.4. TRANSFORMACIONES 729.5. SELECCIÓN DE VARIABLES. 72

9.6. ANÁLISIS DE CORRELACIONES. 79

10. MODELADOYEVALUACIÓN 82

10.1. EXPERIMENTO 1: SELECCIÓN DE FACTORES CON ANÁLISIS DE CORRELACIONES 8310.2. EXPERIMENTO 2: SELECCIÓN DE FACTORES CON PCA 8510.3. EXPERIMENTO 3: SELECCIÓN DE FACTORES CON ÁRBOLES DE DECISIÓN 8610.4. EXPERIMENTO 4: SELECCIÓN DE FACTORES CON REGRESIÓN LOGÍSTICA 9010.5. EXPERIMENTO 5: SELECCIÓN DE FACTORES CON REGLAS DE ASOCIACIÓN 9410.6. EXPERIMENTO 6: PERFILAMIENTO DE LOS TIPOS DE PACIENTES CON CLUSTERING 98

11. DESPLIEGUE 102

11.1. FACTORES MÁS INFLUYENTES EN LA REALIZACIÓN DE UNA CIRUGÍA ESTÉTICA 10211.2. SUGERENCIAS PARA EL CIRUJANO PLÁSTICO JOHN JAIRO VALENCIA QUINTERO 105PARTE 3. CONCLUSIONES Y TRABAJO FUTURO 107

12. CONCLUSIONES 108

13. TRABAJOSFUTUROS 110

REFERENCIAS 112

LISTA DE ILUSTRACIONES

Ilustración 1. Metodología CRISP_DM (IBM, 2012).................................................................................21Ilustración 2. Áreas de aplicación de Minería de Datos (Piatetsky, 2014)............................................27Ilustración 3. Herramientas de Minería de Datos (Piatetsky, 2015).....................................................32Ilustración 4. Selección - Campos Duplicidad...........................................................................................47Ilustración 5. Resultados - Duplicidad........................................................................................................47Ilustración 6. Preparación - Sexo................................................................................................................48Ilustración 7. Datos Preparados - Sexo.....................................................................................................48Ilustración 8. Preparación - Estado Civil....................................................................................................48Ilustración 9. Datos Preparados - Estado Civil.........................................................................................48Ilustración 10. Preparación - Ocupación....................................................................................................49Ilustración 11. Datos Preparados - Ocupación.........................................................................................49Ilustración 12. Preparación - Cirugía Deseada.........................................................................................49Ilustración 13. Datos Preparados - Cirugía Deseada..............................................................................49Ilustración 14. Preparación - Planificación.................................................................................................50Ilustración 15. Datos Preparados - Planificación......................................................................................50Ilustración 16. Análisis Estadístico - Sexo.................................................................................................51Ilustración 17. Análisis Estadístico - Edad.................................................................................................52Ilustración 18. Análisis Estadístico - Estado Civil.....................................................................................52Ilustración 19. Análisis Estadístico - Ocupación.......................................................................................52Ilustración 20. Análisis Estadístico - Cirugía Deseada 1.........................................................................53Ilustración 21. Análisis Estadístico - Cirugía Deseada 2.........................................................................53Ilustración 22. Análisis Estadístico - AP_TIROIDES................................................................................54Ilustración 23. Análisis Estadístico - AP_CORAZON...............................................................................54Ilustración 24. Análisis Estadístico - AP_SIDA.........................................................................................55Ilustración 25. Análisis Estadístico - AP_RINONES................................................................................55Ilustración 26. Análisis Estadístico - AP_VESICULA...............................................................................55Ilustración 27. Análisis Estadístico - AP_ARTRITIS................................................................................56Ilustración 28. Análisis Estadístico - AP_PA.............................................................................................56Ilustración 29. Análisis Estadístico - AP_SANGRADO............................................................................56Ilustración 30. Análisis Estadístico - AP_PULMONES............................................................................57Ilustración 31. Análisis Estadístico - AP_SISTNERVIOSO.....................................................................57Ilustración 32. Análisis Estadístico - AP_ESTOMAGO............................................................................58Ilustración 33. Análisis Estadístico - AP_DIABETES...............................................................................58Ilustración 34. Análisis Estadístico - AP_ASMA.......................................................................................58Ilustración 35. Análisis Estadístico - AP_LUPUS.....................................................................................59Ilustración 36. Análisis Estadístico - AP_CANCER..................................................................................59Ilustración 37. Análisis Estadístico - AP_FIBROMIALGIA......................................................................59Ilustración 38. Análisis Estadístico - AP_HIGADO...................................................................................60Ilustración 39. Análisis Estadístico - AP_ESCLERO................................................................................60Ilustración 40. Análisis Estadístico - AP_OTRAS.....................................................................................60

Ilustración 41. Análisis Estadístico - MED_ASPIRINA............................................................................61Ilustración 42. Análisis Estadístico - MED_MOTRIN...............................................................................61Ilustración 43. Análisis Estadístico - MED_IBUPROFENO.....................................................................61Ilustración 44. Análisis Estadístico - MED_PARA_ARTRITIS................................................................62Ilustración 45. Análisis Estadístico - MED_PARA_DORMIR..................................................................62Ilustración 46. Análisis Estadístico - MED_PARA_TOS..........................................................................62Ilustración 47. Análisis Estadístico - MED_PARA_TIROIDES...............................................................63Ilustración 48. Análisis Estadístico - MED_HORMONAS........................................................................63Ilustración 49. Análisis Estadístico - MED_ANTICONCEPT...................................................................63Ilustración 50. Análisis Estadístico - MED_TRETINOINA.......................................................................64Ilustración 51. Análisis Estadístico - MED_ANTIBIOTICOS...................................................................64Ilustración 52. Análisis Estadístico - MED_PARA_PRESION................................................................64Ilustración 53. Análisis Estadístico - MED_PARA_DIABETES..............................................................65Ilustración 54. Análisis Estadístico - MED_DIURETICOS.......................................................................65Ilustración 55. Análisis Estadístico - MED_FENOBARBITAL.................................................................65Ilustración 56. Análisis Estadístico - MED_DIGITALICOS......................................................................66Ilustración 57. Análisis Estadístico - MED_CORTISONA.......................................................................66Ilustración 58. Análisis Estadístico - MED_PARA_TOS..........................................................................66Ilustración 59. Análisis Estadístico - planificación....................................................................................67Ilustración 60. Análisis Estadístico - AF_HA.............................................................................................67Ilustración 61. Análisis Estadístico - AF_EC.............................................................................................67Ilustración 62. Análisis Estadístico - AF_ART...........................................................................................68Ilustración 63. Análisis Estadístico - AF_COAG.......................................................................................68Ilustración 64. Análisis Estadístico - AF_ASM..........................................................................................68Ilustración 65. Análisis Estadístico - AF_DIAB.........................................................................................69Ilustración 66. Análisis Estadístico - AF_CAN..........................................................................................69Ilustración 67. Análisis Estadístico - AF_OTR..........................................................................................69Ilustración 68. Análisis Estadístico - HAB_CIGARRILLO........................................................................70Ilustración 69. Análisis Estadístico - HAB_LICOR....................................................................................70Ilustración 70. Análisis Estadístico - HAB_CAFE.....................................................................................70Ilustración 71. Análisis Estadístico - HAB_PASTIL_DORMIR................................................................71Ilustración 72. Análisis Estadístico - HAB_OTROS..................................................................................71Ilustración 73. Análisis Estadístico - peso.................................................................................................71Ilustración 74. Análisis Estadístico - talla...................................................................................................72Ilustración 75. Análisis Estadístico - IMC...................................................................................................72Ilustración 77: Resultado del Experimento bajo la técnica Árbol de Decisiones.................................88Ilustración 78. Cantidad de Datos por Clúster..........................................................................................99Ilustración 79. Porcentaje de Datos por Clúster.......................................................................................99

LISTA DE TABLAS

Tabla 1. Descripción de Variables..............................................................................................................46Tabla 2. Limpieza de Datos.........................................................................................................................50Tabla 3. Descripción Estadística de los Datos..........................................................................................72Tabla 4. Análisis de Variables.....................................................................................................................78Tabla 5 . Variables con correlaciones altas (mayor a 0.7)......................................................................79Tabla 6. Variables con correlación baja (menor a 0.3)............................................................................81Tabla 7. Variables para el modelamiento..................................................................................................83Tabla 8. Evaluación de Resultados - Experimento 1...............................................................................84Tabla 9. Evaluación de Resultados - Experimento 2...............................................................................85Tabla 10. Evaluación de Resultados - Experimento 3.............................................................................87Tabla 11. Clasificación de las Ramas arrojadas - Experimento 3..........................................................89Tabla 12. Evaluación de Resultados - Experimento 4.............................................................................93Tabla 13. Condiciones de las Variables - Experimento 4........................................................................94Tabla 14. Evaluación de Resultados - Experimento 5.............................................................................96Tabla 15. Condiciones Claves - Experimento 5........................................................................................97Tabla 16. Evaluación de Resultados - Experimento 6...........................................................................101Tabla 17. Resultado Final..........................................................................................................................103

12

INTRODUCCIÓN

La extracción de información mediante minería de datos permite conocer detalles

sobre el comportamiento de las variables que no se observan a simple vista y

finalmente, lograr tomar decisiones en pro de los objetivos institucionales. En el

área de la salud, la minería de datos ha contribuído a la obtención de resultados

predictivos sobre el padecimiento de enfermedades como el cáncer, la leucemia e

incluso, ha sido posible el reconocimento de factores que influyen en el el futuro

diagnóstico de las mismas.

El problema que se presenta en éste caso, de manera específica, trata sobre la

priorización en citas de valoración de los nuevos pacientes de cirugía plástica, es

decir, existen épocas donde la agenda de los cirujanos es bastante ocupada, entre

ellas, épocas vacacionales y festividades, las cuales son de preferencia por los

pacientes nuevos ya que cuentan con la disponibilidad de tiempo requerida para la

recuperación en caso de cirugía y para pacientes antiguos que asisten con la

finalidad de revisar el avance de sus cirugías anteriores y manifestar inquietudes.

existen épocas donde la agenda de los cirujanos es bastante ocupada, entre ellas,

épocas vacacionales y festividades, las cuales son de preferencia por los

pacientes nuevos ya que cuentan con la disponibilidad de tiempo requerida para la

recuperación en caso de cirugía y para pacientes antiguos que asisten con la

finalidad de revisar el avance de sus cirugías anteriores y manifestar inquietudes.

Es entonces donde los pacientes nuevos requieren tiempos de espera demasiado

extensos para obtener una valoración médica. Siendo la cita de valoración un

requisito para la realización de una cirugía estética, se hace necesario identificar o

establecer algunos criterios mínimos para la asignación prioritaria de las mismas.

La intencionalidad es aplicar minería de datos a historias clínicas de pacientes que

han asistido a cita de valoración con un médico especialista en cirugía plástica y

así, determinar las variables que influyen respecto a la decisión de realizarse un

procedimiento quirúrgico. La solución permitirá entonces, al identificar las variables

13

que influyen en la realización de una cirugía estética, asignar citas, en los tiempos

donde la agenda del cirujano se encuentra congestionada, de manera prioritaria;

esto, según el resultado del modelado, con los pacientes que cumplen con las

características identificadas.

El desarrollo del presente trabajo consta de tres partes: la formulación del proyecto

y la revisión literaria donde se realizaron los estudios de entorno e identificación

del problema y se localizaron estudios ya desarrollados mediante minería de datos

en el área de la salud y otras áreas. En la segunda parte se desarrolla la

metodología de minería de datos seleccionada para el estudio CRISP – DM. Por

último, se presentan las conclusiones y los posibles trabajos futuros.

14

PARTE 1. FORMULACIÓN DEL PROYECTO Y REVISIÓN LITERARIA

15

1. DESCRIPCIÓN DEL PROBLEMA

En Colombia, las cirugías estéticas han venido en aumento en los últimos años

(ISAPS International Survey on Aesthetic/Cosmetic, 2014), esto ha generado que

los cirujanos plásticos aumenten el número de citas en sus consultorios con

pacientes deseosos de mejorar algún aspecto “poco estético” de su cuerpo o con

el cual no se sienten a gusto.

Es importante aclarar que en Colombia las cirugías estéticas no son cubiertas por

las empresas prestadoras de salud ni por el sistema de salud público, a excepción

de aquellas cirugías que hacen parte de un proceso médico donde se requieren

procedimientos quirúrgicos encaminados a la recuperación de la función y/o la

forma de secuelas provocadas por el sufrimiento de accidentes laborales, de

tránsito, quemaduras o procesos pos-oncológicos y pos-bariátricos (Ministerio de

La Salud, 1994). Ésta es entonces la razón por la cual la mayoría de especialista s

en cirugía plástica, laboran de manera privada.

Para esto, muchos cirujanos plásticos, incluido el doctor John Jairo Valencia

Quintero, son miembros de número de la Sociedad Colombiana de Cirugía

Plástica, Estética y Reconstructiva; dicha sociedad es una comunidad médico

científica, exclusivamente gremial y, aunque los especialistas no tienen la

obligación de pertenecer a ella, es importante reconocer que ser socio genera un

mayor respaldo para los pacientes ya que pueden corroborar el título académico

de su cirujano, su historial académico, su hoja de vida laboral y los procedimientos

para los cuales está capacitado.

Además, con el tiempo y la experiencia adquiridas por los especialistas, el número

de pacientes se ha venido incrementando; adicionalmente, la cantidad de

pacientes que se mantienen activamente asistiendo a consulta es amplio, debido

al número de citas que implica todo el proceso de recuperación y al

acompañamiento del especialista hacia el paciente (Arbelaéz Rodríguez, 2013).

16

La mayor captación de pacientes no se realiza por medios electrónicos (correo,

redes sociales o página web), sino, se comunican de manera telefónica y como

referidos por pacientes antiguos para solicitar ser atendidos. La cita de evaluación

(primera cita) genera un consumo significativo de recursos por parte del

especialista por dos motivos: 1) La cita de valoración resulta ser gratuita, 2) Ésta

primera cita es la que mayor tiempo consume. Cuando se habla de consumo

significativos de recursos se refiere al tiempo invertido del cirujano y éste

representa dinero. La duración aproximada de una cita de valoración, según los

tiempos registrados de forma manual en la agenda del cirujano corresponden en

promedio a una hora y dicha duración no depende del tipo de cirugía que el

paciente desea realizarse, sino, del objetivo expreso del médico, quien manifiesta

que busca brindar a sus pacientes la información suficiente sobre los

procedimientos además de resolver dudas e inquietudes, pues su lema es que:

"Un paciente bien informado es un paciente seguro". Es importante también contar

que en ésta cita además, se realiza la toma de fotografías pre operatorias y se

exponen al paciente casos exitosos .

En el consultorio del cirujano estético John Jairo Valencia Quintero se presenta

que, un paciente obtiene una cita de valoración en tiempos de espera inclusive de

tres y cuatro semanas debido a la ocupación en la agenda del especialista y, luego

de que dicha cita se lleva a cabo, el 60% de los pacientes toman la decisión de no

realizarse el procedimiento estético; dicho porcentaje puede concluirse según las

historias clínicas del cirujano plástico, además, cuando la secretaria contacta a los

pacientes, éstos manifiestan que decidieron no realizarse la cirugía debido a

algunos de éstos motivos: falta de recursos económicos, preferencia hacia otro

cirujano plástico, falta de tiempo para esperar la disponibilidad del cirujano o falta

de condiciones de salud óptimas para la cirugía.

Para superar los problemas mencionados, se requiere la definición de prioridades

en la asignación de citas dependiendo de las características individuales de cada

paciente. Y para aportar una solución a lo expuesto, se pretende realizar un

estudio mediante minería de datos para conocer las variables que influyen en la

17

decisión del paciente para realizarse una cirugía estética y así, establecer

parámetros de prioridades para la atención de los pacientes que desean asistir a

citas de valoración.

18

2. JUSTIFICACIÓN

Actualmente, se está evidenciando la deserción de pacientes por la demora en

asignación de citas de valoración, esto, muchas veces debido al aumento de las

cirugias estéticas (Elliott, 2008) ; el tiempo que implica la espera ha generado en

repetidas ocasiones que los pacientes pierdan el interés en ser evaluados,

conllevando a la disminución en la calidad de la atención a los pacientes, quienes

son los que, precisamente, reclaman atención, comunicación y disponibilidad

(Pezoa, 2013).

La priorización de citas que se efectuará luego de conocer los factores que

influyen en la realización de cirugías estéticas mediante minería de datos logrará:

• Aumentar los ingresos económicos proyectados por el especialista debido a

la satisfacción de los pacientes al tener la posibilidad de conocer el criterio

del cirujano.

• Brindar a los pacientes más propensos a realizarse la cirugía, la

oportunidad de contar con la disposición por parte del especialista con la

finalidad de establecer una relación de disponibilidad, confianza y

seguridad, teniendo en cuenta siempre que éticamente lo más importante

en la medicina es mantener una disposición al servicio y cuidado de los

pacientes (Arriagadas & Ortiz, 2010).

• Conocer los patrones (Valenga, y otros, 2007) de los pacientes que están

propensos, según la información contenida en su historia clínica, a operarse

y así, establecer un orden de prioridad a la hora de asignar citas de

valoración, procurando atenderles de manera prematura.

• Concentrar la agenda del especialista en las citas de seguimiento de sus

pacientes y las citas de valoración en aquellos pacientes que tienen mayor

probabilidad de continuar con el procedimiento estético y así lograr que el

tiempo del especialista sea asignado lo más eficaz posible.

19

El objetivo del análisis mediante minería de datos está enfocado entonces en el

desarrollo de un modelo que permita reconocer según el perfilamiento de los

pacientes, la priorización necesaria para la correcta satisfacción de la demanda en

citas de valoración y así disminuir los tiempos de espera para aquellos potenciales

pacientes quirúrgicos.

20

3. OBJETIVOS

Objetivo General

Definir los factores que influyen en la realización de cirugías estéticas mediante

técnicas de Minería de Datos, como estrategia para la priorización en la

asignación de citas de valoración.

Objetivos Específicos

Los objetivos específicos nombrados a continuación hacen referencia a las etapas

del proceso de minería de datos.

- Identificar las variables que hacen parte de la historia clínica en la

realización de una cirugía estética.

- Preparar los datos aplicando limpieza y perfilamiento de datos.

- Diseñar un modelo de minería de datos para la gestión de priorización de

citas.

- Definir una estrategia para la priorización de asignación de citas de

valoración.

21

4. METODOLOGÍA

Para el proceso de Minería de Datos, se selecciona la metodología CRISP-DM,

resaltando que se trata de una metodología flexible y se puede personalizar

fácilmente según los objetivos del negocio (IBM, 2012).

Las etapas definidas por la metodología se presentan en la ilustración 1.

Ilustración 1. Metodología CRISP_DM (IBM, 2012)

ü COMPRENSIÓN DEL NEGOCIO

En ésta fase se realizarán las entrevistas necesarias con el especialista

correspondiente; en éste caso, el Cirujano Plástico, quien compartirá sus objetivos

respecto a la minería de datos, los datos con los que cuenta y la explicación de los

22

mismos. Básicamente, la etapa está enfocada de manera cualitativa, donde sólo

se tendrá la recolección de la información a través de entrevista.

ü COMPRENSIÓN DE LOS DATOS

En ésta etapa se revisarán entonces las bases de datos entregados por el

especialista y se procederá al estudio de los mismos de manera detenida, la

finalidad es conocer los valores posibles que pueden tomar las variables y los

datos que se obtienen mediante la historia clínica. Es caracterizada de manera

cuantitativa por el número de datos y variables.

ü PREPARACIÓN DE LOS DATOS

Luego, se procede entonces a seleccionar los datos con los cuales se realizará el

proceso de minería; es fundamental también realizar toda la tarea de limpieza,

integración y formateo de datos; al igual que la fase anterior, es una etapa

cuantitativa ya con un número de variables reducidas y datos, según la limpieza lo

requiera.

ü MODELADO DE DATOS

El modelamiento consiste en primera instancia en seleccionar la técnica de

modelado, diseñar la evaluación, construir y evaluar el modelo; se considera una

etapa cuantitativa por la cantidad de datos a balancear, la selección de las

variables y los resultados de probabilidades arrojados por cada modelo.

ü EVALUACION

Se decidirá entonces, según la evaluación de qué modelo es más útil para las

necesidades del especialista y se hará una revisión del proceso para lograr esto.

Ésta fase está caracterizada por ser cualitativa ya que se expondrá de manera

asertiva la justificación sobre la técnica seleccionada.

23

ü DESPLIEGUE

Se realiza la debida toma de decisiones según el resultado del proceso de minería

y se establecen criterios que lleven a una toma de decisiones acertadas. Consiste

entonces en la elaboración de un informe cualitativo donde se justifican los

resultados encontrados y se realizan sugerencias al especialista para la toma de

decisiones.

Cabe aclarar que el alcance está delimitado al proceso de minería de datos y la

entrega de resultados de la misma, pero, es el especialista quien debe tomar las

decisiones pertinentes, según los resultados del modelo, para la mejora de sus

procesos.

24

5. MARCO TEÓRICO

Se describen a continuación cada una de las áreas que conforman el análisis del

marco referencia: Cirugía Plástica y Minería de Datos.

5.1. LA CIRUGIA PLASTICA

La cirugía plástica es una de las especialidades quirúrgicas de la medicina y es la

encargada de la reparación y reconstrucción de defectos y malformaciones

congénitas además de intervenir algunos aspectos físicos causados por la

conciencia de no belleza según el contexto sociocultural del individuo (Coll, 1989),

añadido a eso, como consecuencia del desarrollo de la cirugía plástica, se da

aparición a la cirugía estética que es la encargada de realizar intervenciones

quirúrgicas para mejorar el aspecto físico que no corresponde a los conceptos de

belleza dentro de un concepto sociocultural específico (Arias, González, García, &

González, 2008).

Dentro de los procedimientos estéticos, las cirugías que más frecuentemente se

realizan son:

- Mamoplastia: Cirugía de la mama, la cual puede ser de disminución o de

aumento mediante implante de prótesis o autoinjerto de grasa.

- Mastopexia: Es la cirugía mediante la cual se realiza el levantamiento de la

mama.

- Abdominoplastia: Cirugía de abdomen, frecuentemente realizada en

mujeres luego del parto.

- Liposucción: Es el procedimiento en el cual se extrae grasa mediante

cánulas y consiste en dar forma estética a varias zonas del cuerpo.

- Otoplastia: Es la reducción o cambio en la forma de las orejas.

25

- Rinoplastia: Cirugía estética y funcional de la nariz

Estos procedimientos estéticos, sólo deben ser realizados por un especialista en

cirugía plástica, quien, luego de realizar sus estudios en medicina general, opta a

su especialidad, la cual tiene una duración por lo menos de cuatro años.

Identificando el profesional que debe llevar a cabo entonces dichos

procedimientos y antes de que éste sea llevado a cabo, se requiere la elaboración

de la historia clínica; la cual consta de: La anamnesis, que es el proceso

mediante el cual el profesional de la salud obtiene información del paciente

respecto a su identificación, estado civil, ocupación, lugar de nacimiento, motivo

de la consulta, los síntomas y en general toda aquella información que contribuya

al esclarecimiento de un diagnóstico y, del examen físico que permite mediante la

observación, palpación, percusión y auscultación recoger mayor información

tendiente a reafirmar el diagnóstico del paciente. Éste proceso se complementa

con las ayudas diagnósticas, como son los exámenes de sangre, las imágenes

diagnósticas, entre otros (Ministerio de La Protección Social, 2007).

En el quehacer del especialista en cirugía plástica, se requieren además, una serie

de pasos para llevar a cabo un procedimiento estético (Bustamante, Chui, Coca,

& Flóres, 2011).En primera instancia y como en todo procedimiento médico, es

necesaria la elaboración de la historia clínica, ésta contiene los datos personales

(anamnesis) y el examen físico que realiza el especialista en cada consulta al

paciente; la historia clínica es el documento al cual se recurre en el proceso

médico para indicar o contraindicar alguna procedimiento, medicamento o

intervención futura (Bustamante, Chui, Coca, & Flóres, 2011).

A pesar de que la elaboración de la historia clínica se construye desde la primera

cita a la que el paciente asiste con el especialista, ésta se alimenta en cada una

de las consultas posteriores. Para esto, están definidas tres tipos de citas:

- Cita de valoración: La cual es asignada de manera telefónica; éste es el

primer momento en que el paciente es atendido por el cirujano, manifiesta

26

sus inconformidades (físicas) y el cirujano le ofrece desde su perspectiva

profesional, posibles procedimientos quirúrgicos a realizar. Es importante

aclarar que ésta cita es la que requiere mayor tiempo de consulta y en la

cual es especialista define si puede suplir las necesidades o expectativas

del paciente (Manrique, 2005).

- Cita Pre Operatoria: Es una cita previamente acordada, se lleva a cabo

antes de la cirugía, con el fin de resolver dudas o inquietudes por parte del

paciente y re afirmar las expectativas del mismo sobre el procedimiento a

realizar.

- Citas de Post Operatorias: Son aquellas que se realizan después de la

cirugía y durante los según el paciente lo requiera y el cirujano lo considere

pertinente.

Las citas pre operatorias y post operatorias dependerán directamente de los

pacientes que están a punto de realizarse un procedimiento estético o de aquellos

que ya se lo realizaron y requieren revisiones por parte del especialista, ya que

son los pacientes que, según él, tienen prioridad sobre la agenda. Sin embargo,

las citas de valoración dependen de la disponibilidad de la agenda del médico una

vez se han asignado las citas pre y post operatorias.

Es por ésta dependencia entonces que, el proceso de minería de datos, estará

enfocado en la definición de una estrategia para la priorización en la asignación de

citas de valorización mediante el hallazgo del comportamiento de los datos

anamnésicos y de examen físico contenidos en la historia clínica y que influyen en

la decisión de realizarse un procedimiento estético (Lizasoain & Joaristi, 2012).

5.2. MINERIA DE DATOS

Es el tratamiento de los datos con la finalidad de identificar patrones, tendencias o

desviaciones que permiten analizar desde un concepto más amplio, el

comportamiento del negocio y finalmente, tomar decisiones asertivas (Pérez &

27

Santin, 2007). Este proceso incluye la aplicación de algoritmos que permiten dicha

identificación a grandes cantidades volúmenes de datos.

La minería de datos ha sido usada en muchas áreas; entre ellas, el análisis de

relacionamiento con los clientes, la banca, la educación, la salud, la detección de

fraudes y la ciencia.

A continuación, en la ilustración 2, el ranking entregado por el periódico

KDnuggets, sobre la industria donde ha sido aplicada la minería de datos:

Ilustración 2. Áreas de aplicación de Minería de Datos (Piatetsky, 2014)

5.2.1. Análisis y Técnicas

Dentro de la minería se pueden realizar dos tipos de análisis: predictivos y

descriptivos.

28

Análisis predictivo: Como su nombre lo indica, permite realizar la predicción

sobre futuros comportamientos mediante técnicas supervisadas, los análisis

predictivos son:

o Clasificación: Es el estudio categórico de una variable objetivo

previamente definida, y luego permite predecir la categoría de

nuevos elementos.

o Predicción continua: Es el estudio de los datos con el objetivo de

predecir eventos numéricos futuros.

Algunos de los algoritmos más usados en las técnicas supervisadas son (Pérez &

Santin, 2007):

• Árboles de Decisión: Éstos algoritmos son representados en forma de

árbol y permiten mediante un nivel jerárquico evaluar las condiciones a

tener en cuenta para la toma de una decisión.

• Métodos de Regresión: Identifica las relaciones que existen entre registros

de datos y luego de dicha identificación crea patrones de predicción.

• Redes Neuronales: Son algoritmos de autoaprendizaje mediante

entrenamiento con conjuntos de datos imitando el funcionamiento cerebral

de los seres vivos.

• Máquinas de Soporte Vectorial: Realiza un aprendizaje creando un

hiperplano de separación óptima de las categorías que se desean predecir.

• Métodos basados en Ejemplos: Entre ellos, está el algoritmo de K-

VECINOS, que consiste en hallar el vecino más cercano y agrupa los datos

según sus atributos y la cercanía con otros registros de datos.

Análisis descriptivo: Brinda la posibilidad de realizar segmentaciones, definir

reglas de negocio o establecer perfiles específicos mediante técnicas no

supervisadas, los análisis descriptivos son:

o Agrupamiento/clustering: Organiza grandes cantidades de

información en grupos de datos con características comunes.

29

o Asociación: Genera reglas de asociación luego de estudiar los

datos, es decir, la probabilidad de que un dato se comporte de

manera específica dado el comportamiento de los otros datos.

Algunos de los algoritmos más usados en las técnicas no supervisadas son (Pérez

& Santin, 2007):

• K-means: Busca similaridades entre los datos mediante medidas de

distancia, de tal manera que datos muy cercanos pertenecen a un mismo

clúster.

• Apriori: Crea reglas de asociación buscando las co-ocurrencias de

registros en el conjunto de datos.

5.2.2. EvaluacióndelosModelosdeMineríadeDatos

Aunque existen técnicas supervisadas y no supervisadas, la evaluación del

modelo es indispensable, dicha evaluación depende de la precisión del mismo y

de los resultados arrojados; el ideal entonces no será sólo el que brinde la mayor

precisión, sino, el que esté en mayor medida, orientado a responder la pregunta

planteada en el problema o en el objetivo principal (Pautsch, 2009).

• Evaluación de análisis predictivos (técnicas supervisadas).

Lo más usual en las técnicas supervisadas consiste en la división de los datos en

dos conjuntos; uno de entrenamiento, requerido para construir y entrenar el

modelo y un segundo conjunto, llamado el conjunto de prueba con el cual se

evalúa la efectividad del modelo. Según la cantidad de datos con la que se cuenta,

existen varias técnicas para efectuar dicha división (Formia, 2012).

La precisión, es una de las técnicas de evaluación de hipótesis más usual para

evaluar los clasificadores, pero, algunas otras son:

30

• Porcentaje de Error de Muestra (o inversamente el porcentaje de Acierto

(Accuracy), o el Alcance.

• La Precisión o la Especificidad (Recall, Precision, Specificity) o

• Técnicas más elaboradas como el Área Bajo la Curva (ROC).

Para la aplicación de éstas técnicas puede utilizarse el conjunto total de datos

para entrenamiento y para validación o realizar la división antes mencionada.

También, la validación cruzada puede aplicarse con la finalidad de evitar sesgo en

las particiones de los datos e igualmente, a ésta validación se puede aplicar o no

solapamiento en los subconjuntos. Otras técnicas de evaluación incluyen la

combinación de hipótesis, tales el como el Bootsting, Bagging o Ramdomization

(Dasso & Funes, 2012).

• Evaluación de análisis descriptivos (técnicas no supervisadas).

La agrupación o clustering puede ser validada de manera interna o externa. La

validación externa de clustering requiere conocer previamente cuál es la partición

adecuada de los datos donde los índices suelen tener medidas de similitud luego

de aplicar el algoritmo. Para este tipo de validación existen diversos tipos de

medidas de similitud, algunos son: recuento de pares, teoría de la información y

número de ediciones. La validación interna consiste en estudiar los datos y cómo

se agrupan, es decir, evalúa la partición en base a los datos y las distancias entre

ellos basados en medidas de compacticidad y separabilidad, para este tipo de

validación existe una gran cantidad de índices, la mayoría se basa en la cohesión

de los clusters y la separación entre los mismos, algunos son: Calinski-Harabasz,

Davies-Bouldin, Dunn, Silhouette, R-Squared, entre otros. Tanto en validación

externa como en interna, dada una partición se calculan índices que miden la

calidad o bondad de dicha partición. Si el valor devuelto por el índice es

inusualmente alto (o bajo), se puede deducir que la partición representa la

estructura interna de los datos. El objetivo principal es determinar cuándo un valor

es inusualmente alto (o bajo) y cuando no. Lo que se utiliza es la comparación de

31

índices de distintas particiones. Se utiliza, por tanto, una aproximación

comparativa donde no se analiza el valor del índice en términos absolutos sino en

términos relativos.

5.2.3. Metodologías de Minería de Datos

Existen varias metodologías para la aplicación de minería de datos; entre ellas,

CRISP-DM, SEMMA y KDD. De estas metodologías se resalta CRISP-DM con una

alta aplicación en diferentes ámbitos como la banca, finanzas, salud, educación,

etc. CRISP-DM (IBM, 2012) es una metodología que incluye los procesos

normales de ejecución de proyectos, las actividades y las relaciones para que

todas las fases sean llevadas a cabo de manera ordenada en pro del logro de

objetivos de proyecto. Consiste entonces, en primera instancia, en entender las

necesidades del negocio, posteriormente en el entendimiento de los datos para

identificar las variables claves y las inconsistencias; luego, en la preparación de

los datos y todo lo que esto conlleva (calidad, selección de variables, entre otras);

después, en la aplicación y selección del algoritmo más adecuado evaluando

resultados y finalmente, en la retroalimentación al negocio con los hallazgos

identificados.

5.2.4. Plataformas de Minería de Datos

Existen varias plataformas para la minería de datos; su uso, dependerá

exclusivamente de la tarea que se tenga y los recursos con los que cuente el

experto; no todas las herramientas o plataformas de minería de datos contienen

todos los algoritmos; además de estar limitadas por el pago de licencias de

funcionamiento y por las características de diseño para su uso.

Entre algunas de las plataformas mencionadas en la lista de el periódico

KDnuggets (Ilustración 3), se encuentra WEKA (Waikato Environment for

Knowledge Analysis); weka es la herramienta de minería de datos desarrollada por

la universidad de Waikato, contiene una gran variedad de algoritmos, su uso es

32

libre y presenta un ambiente de trabajo amigable, generando una gran usabilidad

(Azoumana, 2013).

Ilustración 3. Herramientas de Minería de Datos (Piatetsky, 2015)

33

6. MARCO LEGAL

La protección de datos es un tema indispensable a tener en cuenta en trabajos de

minería porque están involucradas grandes cantidades de información que

requieren de un trato cuidadoso y respetuoso con los dueños de la misma.

Los modelos de negocio que involucran en su quehacer la relación directa con

otras personas deben estar orientados al respeto de la privacidad de las personas

(Aponte, 2007). En el contexto Colombiano se requiere tener en cuenta el respeto

por la siguiente normatividad:

• Ley 23 de 1981 (Congreso De Colombia, 1981) donde se establecen de

manera clara y específica los aspectos comportamentales y actitudinales

del médico en la relación con el paciente y la conducta decorosa,

respetuosa y digna, necesarias para hacer del proceso médico, un acto

humanista.

• En la Resolución 1995 de 1999 (Ministerio de La Salud, 1999) se encuentra

la normatividad necesaria para el manejo de las historias clínicas donde se

especifican los parámetros necesarios a tener en cuenta desde la apertura

de la misma, las agregaciones médicas, la custodia y los aspectos legales

que conlleva la tenencia de los datos que allí se encuentran. Por otra parte,

la Resolución 2346 de 2007 (Ministerio de La Protección Social, 2007)

donde se establece la obligatoriedad de los campos que debe contener la

historia clínica, los tipos de valoraciones médicas y el personal médico

habilitado para acceder a ella.

Por último, es necesario siempre respetar la Ley sobre protección de datos

(Congreso de Colombia, 2012) donde se definen los parámetros por los cuales

una persona u organización puede acceder a la información, además, de los

requerimientos a cumplir cuando se consulta, modifica o se extrae en un contexto

específico.

34

7. ESTADO DEL ARTE

La revisión literaria se ha podido categorizar en tres grupos o secciones; entre ellos,

algunas generalidades sobre la cirugía plástica, trabajos de minería de datos

aplicada al campo de la salud y minería de datos aplicada en otros campos. A

continuación, se hace referencia a ellos.

7.1. GENERALIDADES SOBRE ESTUDIOS DE CIRUGÍA PLÁSTICA.

A continuación, se mencionan algunos estudios que, aunque no están enmarcados

directamente dentro de modelos de minería de datos, han logrado establecer

patrones o reglas dentro de la realización de cirugías estéticas.

El estudio realizado por (Abreu de la Torre, Tumer, González, Macias Betancourt, &

Leal, 2000), se identifica una regla de comportamiento de variables, concluyendo

que las mujeres con edades entre los 56 y 65 años, casadas, que viven en zona

urbana y requieren de su que hacer profesional una apariencia agradable, eran las

personas que predominaban en su media poblacional estudiada; además de

predominar un trastorno de personalidad histérico.

En la investigación realizada por (Olivares, 2007), se logra resaltar la importancia a

nivel psicológico que tiene la reconstrucción mamaria en aquellas mujeres que, por

causa de cáncer, han sufrido amputación mamaria, se realiza un estudio social y se

sugieren la revisión no sólo de casos post operatorios sino, pre operatorios; cabe

resaltar que éste artículo logra establecer una relación directa entre el

comportamiento psicológico de las pacientes y la realización de una cirugía estética.

En la investigación realizada por (Palma & Solís, 2009) , se describen de manera

específica, las repercusiones que a nivel psicológico genera la realización de una

35

cirugía estética, el nivel de bienestar o de conformidad consigo mismo luego del

procedimiento y la sensación de insatisfacción con su aspecto anterior; dicha

asociación es importante para aclarar que es posible identificar la relación que entre

los aspectos psicológicos de un paciente y la decisión de realizarse un

procedimiento estético.

En el estudio descriptivo realizado por (Bermúdez, 2010), se encontró que el

exhibicionismo, los intentos de suicidio y los deseos inconscientes referentes a la

feminidad son características propias de la mayoría de mujeres con múltiples

cirugías estéticas y logra, luego de identificar éstas características, definir a éste tipo

de pacientes dentro de un grupo de conductas específicas que deben ser tratadas.

En el trabajo de grado presentado por (Moreno & Zambrano, 2013), se encontró

que no existe una relación directa entre autoestima y distorsión de la imagen

corporal con la realización de cirugías estéticas, de igual forma, se sugiere a los

cirujanos plásticos trabajar con equipos multidisciplinarios que puedan orientar a

sus pacientes desde el punto de vista psicológico y no limitarse a mejorar

exclusivamente, inconformidades físicas.

En el artículo como trabajo de grado producido por (Calderón, 2014), se identificó

en un grupo de cinco mujeres, una relación directa entre la baja autoestima, el

entorno social y la realización de cirugías estéticas y se sugiere, realizar la

inclusión de aspectos psicológicos en la valoración para la realización de cirugías

estéticas.

Finalmente, en el artículo escrito por (Rochefort, Berner, Castillo, & Vidal, 2014), se

sugiere estudiar la posibilidad de excluir a un paciente de una cirugía estética según

factores psiquiátricos; se puede entonces concluir la importancia que tiene el

conocimiento de la relación que existe entre los factores psicológicos y psíquicos y

la realización de cirugías estéticas.

7.2. MINERÍA DE DATOS APLICADA AL CAMPO DE LA SALUD.

36

La minería de datos ha abarcado diferentes tipos de negocios permitiendo la

mejora de los procesos, esto, porque brinda el conocimiento sobre el valor real de

los datos y revela conductas que no son visible a primera vista. En el campo de la

medicina, sin embargo, por la carencia de sistemas de información centralizados,

el tema de minería de datos aunque se ha venido trabajando de una manera más

lenta, no se ha detenido debido a la necesidad imperante de prolongar y mejorar la

calidad de vida. A continuación, se presentan algunos casos.

En el trabajo realizado por (Reparaz, y otros, 2008) se ejecutaron algoritmos de

árboles de decisión como ID3 y J48 con la intencionalidad de caracterizar grupos o

generar reglas de asociación y predecir la eficacia de la braquiterapia en el

tratamiento de cáncer de próstata; se realizó la lectura de las reglas de asociación

según las variables implicadas y se sugirió ejecutar más adelante algoritmos de red

de bayes para contrastar o evaluar los resultados anteriormente obtenidos.

En el artículo desarrollado por (Timarán & Yépez, 2012), se concluyó que usando

técnicas de clasificación basada en árboles de decisión; es posible definir patrones

de supervivencia en mujeres con cáncer de cuello uterino. Se usaron algunos

algoritmos de asociación para conocer la relación entre los factores socio

económicos y clínicos asociados a éste grupo de población. Se hallaron reglas de

clasificación obtenidas mediante WEKA con el Algoritmo J48.

En el estudio elaborado por (Rodríguez & Vallejo, 2012), se reconoce la importancia

de la minería de datos y su aplicación para la detección y el diagnóstico de

pacientes con cáncer, enfocándose específicamente en el cáncer de mama, el uso

de la mamografía y su interpretación. Estadísticamente se recurrió al método PCA y

PLS y en cuanto a minería de datos, se realizó la selección de atributos, se

implementaron algoritmos como árboles de decisión y reglas de asociación para

encontrar relaciones no identificadas a primera vista.

En el trabajo realizado por (Acosta, Rosete, & Rodríguez, 2012) , se utilizó

metodología CRISP-DM 1.0 y se aplicó minería de datos a encuestas realizadas a

37

pacientes diabéticos o con riesgo de desarrollarla. Se logró identificar y describir

las características de los datos a emplear para clasificar pacientes de una

localidad específica en Cuba y se identificaron atributos relevantes a la

investigación. Se identificaron problemas con la calidad de los datos y se tomaron

medidas para mejorarlos. Las herramientas de software estadísticos fueron

Microsoft Excel y Weka. Finalmente, se detalla cómo la medicina es uno de los

campos donde más ha crecido el uso de la minería de datos.

En la revisión realizada por (Jiménez & Mateos, 2013) se realizó el modelado

mediante red de enlaces de neuronas, específicamente modelo de redes de

kohonen con datos particionados y un mapa de salida 3x2 neuronas que genera tres

perfiles por grupo para encontrar las características comunes de pacientes

diabéticos; finalmente el modelo demostró ser válido tanto en casos típicos como

atípicos.

En la tesis escrita por (Franco, 2014) se realizó un estudio de minería de datos

mediante algoritmos de agrupación; el algoritmo jerárquico (CHAMELEON) y el

algoritmo particional k-Means para conocer la comorbilidad asociada a la diabetes

mellitus tipo 2 (DM2) en Colombia; el modelo estaba enfocado en dos partes;

primero identificar el diagnóstico de comorbilidad y luego el tipo de diagnóstico.

Fueron usadas finalmente redes bayesianas y árboles de decisión con un

desempeño bueno y facilitaron de manera gráfica la identificación de las

características de los pacientes que presentaban éste diagnóstico.

7.3. MINERÍA DE DATOS APLICADA A OTROS CAMPOS.

Otros casos aplicados a la minería de datos y que pueden resultar útiles se

presentan a continuación.

En el estudio realizado por (Valenga, y otros, 2007), se encontró que, por medio de

una herramienta de distribución libre, los autores describen un proyecto de minería

38

de datos analizando en el mundo de la información criminal los homicidios dolosos

cometidos en la República Argentina. Aplicada a la inteligencia criminal; la minería

de datos es un área bastante nueva y ha tenido un enorme desarrollo;

especialmente en los Estados Unidos. Algunas técnicas utilizadas fueron la

agrupación de datos o clustering y la Clasificación. El software usado fue WEKA

3.5.3 y los algoritmos aplicados fueron K-means y posteriormente el algoritmo de

inducción, J48.

En el artículo escrito por (Spositto, Echeverry, Ryckeboer, & Bossero, 2010), se

presenta el proceso de minería de datos mediante las herramientas de software MS

SQL Server para el almacenamiento de los datos, SPSS para el procesamiento y

Weka para encontrar el algoritmo más asertivo para la clasificación de las

características que influyen en el rendimiento académico y en la deserción de los

estudiantes de la Universidad Nacional de la Matanza; para esto, se ejecutaron los

algoritmos FT y J48, siendo más efectivo el FT con un ROC de 77,86%; se concluye

entonces que fue posible determinar dichas características y obtener resultados

válidos.

Finalmente, y según el estudio realizado a los documentos anteriormente citados,

se concluye que es posible identificar mediante técnicas de minería de datos, la

caracterización conductual de variables y la elaboración de clustering y por ende,

realizar segmentaciones de mercado identificando las variables que influyen en la

realización de cirugías estéticas.

7.4. DISCUSIÓN.

En el campo general de la salud se encontró que, lo más usual, es el uso de

algoritmos de árboles de decisión y las reglas de asociación para la identificación

de patrones que influyen en el posible padecimiento de enfermedades (Timarán &

Yépez, 2012).

39

Se evidenció también el uso de las metodologías KDD y CRISP-DM para llevar a

cabo el proceso de minería de datos; especialmente en el área de la salud se

resalta CRISP-DM. Además, Weka es una de las herramientas de mayor uso

debido a que es una herramienta libre y cuenta con la mayoría de algoritmos

usados en los procesos de minería de datos, también, se identificó que su uso fue

efectivo para encontrar patrones de comportamiento; entre ellos, los patrones de

supervivencia en mujeres con cáncer de cuello uterino.

Los mayores hallazgos de antecedentes en el contexto de cirugías estéticas están

enfocados en el estudio de factores psicológicos; abarcando desde el perfil de los

pacientes que se realizan cirugías estéticas hasta las implicaciones que conllevan

las mismas; son investigaciones de tipo estadístico realizas por psicólogos, lo que

explica la carencia en la aplicación de algoritmos de minería de datos.

A pesar de los métodos estadísticos aplicados con éxito; se identificó en las

referencias encontradas en el estado del arte sobre los estudios aplicados a la

búsqueda de factores que influyen en una búsqueda o variable objetivo

determinada, que la metodología CRISP – DM es la mejor opción debido a la

claridad que existe en cada una de sus etapas, la forma cómo está estructurada y

los resultados en el despliegue que involucran todo el proceso; además,

algoritmos como árboles de decisión, regresión logística, PCA y reglas de

asociación son los más óptimos y adecuados para la identificación de factores y

de relevancias de variables en relación a una única variable objetivo (Rodríguez &

Vallejo, 2012),

Ésta variable principal, que hace parte de los datos con los cuales se realizará el

presente estudio ,se refiere a si un paciente se realizó o no un procedimiento

estético y el objetivo es conocer los factores que influyen en dicha decisión; es

entonces la metodología CRISP – DM y los algoritmos mencionados los que

aplican para lograr lo deseado.

40

PARTE 2. DESARROLLO DE LA METODOLOGÍA CRISP-DM

41

8. DESCRIPCIÓN DEL NEGOCIO

En ésta fase se describe el contexto en el cual los datos fueron obtenidos.

ü La Clínica Las Américas

Clínica Las Américas nació como un proyecto de un grupo de profesionales de la

salud quienes se reunieron en 1989 para crear una Sociedad que gestara una

clínica con una proyección nacional e internacional a la que denominaron

Promotora Médica Las Américas y que hoy es conocida como Grupo Empresarial

Las Américas (LAS AMÉRICAS).

Abrió sus puertas el 28 de octubre de 1993 con servicios ambulatorios que

incluían quirófanos y algunas ayudas diagnósticas; con el transcurrir de los años

siguió creciendo hasta convertirse en la institución de referencia que es hoy tanto

para la ciudad y el país. Igualmente es considerada en el mercado internacional

como una institución de alta complejidad que ofrece servicios especializados e

integrales. Está ubicada en Medellín, Colombia y brinda servicios de salud de alta

y mediana complejidad en 77 especialidades y subespecialidades. La misión es:

“Existimos para prestar servicios integrales de salud con calidad, contribuir a la

formación del talento humano y fomentar la investigación”. Y la visión es:

“Seremos reconocidos en esta década por los mejores resultados clínica, con

servicio”.

ü Torre Médica Las Américas

La Torre Médica Las Américas está ubicada en la Clínica las Américas y es uno de

los pocos espacios en la ciudad que cubre todas las áreas de la salud, en éste

edificio se encuentran los consultorios médicos de profesionales y especialistas

socios de la clínica, esto, permitiendo la generación de interconsulta entre los

42

profesionales y ofreciéndole al paciente una alta confiabilidad por tratarse de

médicos.

ü Cirugía Plástica

Ésta especialidad es una de las ofrecidas en la Torre Médica Las Américas y en la

cual está formado el Cirujano Plástico John Jairo Valencia Quintero. Es importante

resaltar que los datos a estudiar corresponden explícitamente a pacientes que

desean o que se realizaron algún procedimiento estético.

ü Cirujano Plástico John Jairo Valencia Quintero

Se graduó como Médico y Cirujano en Marzo de 1989 en la Universidad de

Antioquia. Realizó su práctica rural en el Hospital Regional del municipio de Santa

Fe de Antioquia. Entre los años de 1992 y 1996 hizo su especialización en

Cirugía Plástica Reconstructiva y Estética en la Universidad de Antioquia.

Trabajó en el Instituto de los Seguros Sociales desde 1996 hasta 2002. En 1997

laboró en el Hospital General de Medellín y en el Hospital Pablo Tobón Uribe

desde el año 2000 al 2003. Jornadas quirúrgicas múltiples en la Clínica Urabá en

el municipio de Apartadó y en el Hospital la Merced del municipio de Ciudad

Bolívar. En estas instituciones se dedicó principalmente a la cirugía reconstructiva,

trauma facial y cirugía de la mano mientras alternaba con su práctica privada en la

Clínica las Américas donde se vinculó como socio en 1996.

Desde el año 2004 se dedica exclusivamente a la práctica privada en la Clínica las

Américas, orientado especialmente a la Cirugía Estética. Durante su ejercicio

como especialista ha realizado más de 4500 cirugías en el campo de la cirugía

reconstructiva del paciente quemado, reconstrucción post-oncológica, cirugía

maxilofacial, reconstrucción post-traumática, cirugía de malformaciones

congénitas, cirugía de la mano y cirugía estética.

43

9. COMPRENSIÓN DE LOS DATOS

9.1. DESCRIPCIÓN DE LOS DATOS En la historia clínica está la recopilación de los datos de los pacientes que asisten

a consultas de valoración con el especialista John Jairo Valencia Quintero. En la

Tabla 1 se describen los campos que ésta contiene.

VARIABLE TIPO DE VARIABLE DESCRIPCIÓN

PACIENTE

N° Historia Numérico Corresponde a un número consecutivo asignado por la auxiliar de oficina.

Fecha Fecha Corresponde al día en que el paciente asiste por primera vez al médico.

Primer Nombre Categórica Datos personales del paciente. Segundo Nombre Categórica

Apellidos Categórica Sexo Categórica Género del paciente. Fecha Nacimiento Fecha Fecha de nacido.

Edad Cirugía Categórica Corresponde a la edad que tenía el paciente al asistir a consulta de valoración.

Estado Civil Categórica Corresponde al estado civil que tenía el paciente al asistir a consulta de valoración.

Ocupación Categórica Actividad a la cual se dedica el paciente.

Entidad Categórica Institución por la cual es remitido el paciente; puede ser alguna eps.

Dirección Residencia Categórica Datos personales del paciente y de la persona que lo acompaña a la cita de Teléfono Categórica

44

e-mail Categórica valoración.

Nombre acompañante Categórica Teléfono Acompañante Categórica Persona Responsable Categórica Teléfono Responsable Categórica Parentesco Categórica Cirugía Deseada Categórica Hacen referencia a las

cirugías que el paciente manifiesta, desea realizarse.

Otra Cirugía Deseada Categórica

ANTECEDENTES PATOLOGICOS Tiroides Categórica

Éstas variables hacen referencia a los antecedentes patológicos presentados por el paciente al momento de asistir a la cita de valoración, son de tipo categórico, siendo las categorías (SI/NO).

Corazón Categórica Sida HIV Categórica Riñones Categórica Vesícula Categórica Artritis Categórica Propensión al sangrado Categórica Presión Arterial Categórica Pulmones Categórica Sistema Nervioso Categórica Estomago Categórica Diabetes Categórica Asma Categórica Lupus Categórica Cáncer Categórica Fibromialgia Categórica Hígado Categórica Escleroderma Categórica Otras Categórica

MEDICAMENTOS Aspirina Categórica Éstas variables hacen

referencia al consumo de éstos medicamentos al momento de asistir a la cita de valoración, son de tipo categórico, siendo las categorías (SI/NO).

Motrín Categórica Ibuprofeno Categórica Para Artritis Categórica Para Dormir Categórica Para la Tos Categórica

45

Para Tiroides Categórica Hormonas Categórica Anticonceptivos Categórica Tretinoina Categórica Antibióticos Categórica Para la Presión Categórica Para la Diabetes Categórica Diuréticos Categórica Fenobarbital Categórica Digitálicos Categórica Cortisona Categórica Para Perder peso Categórica

ANTECEDENTES GINECO

Edad Menstruación Categórica Corresponde a la edad en la cual se presentó la primera menstruación y al número de días del ciclo. Ciclo Texto

Método de Planificación Categórica Hace referencia al método de planificación utilizado por el paciente.

ANTECEDENTES FAMILIARES Hipertensión Arterial Categórica

Hacen referencia al padecimiento por parte de un familiar en primer o segundo grado de consanguineidad de las enfermedades en mención, son de tipo categórico, siendo las categorías (SI/NO).

Enfermedad Coronaria Categórica Artritis Categórica

Transtornos de Coagulación Categórica Asma Categórica Diabetes Categórica Cáncer de mama Categórica Otro Categórica

HABITOS Cigarrillo Categórica Hace referencia a los hábitos

que tiene el paciente al momento de asistir a la cita de valoración, son de tipo categórico, siendo las categorías (SI/NO).

Licor Categórica Café Categórica Píldoras para dormir Categórica Otros Categórica

46

EVALUACIÓN FISICA

Tensión Arterial Texto Corresponden a la cuantificación mediante instrumento de medición de la tensión arterial y los latidos cardiacos por minuto. Frecuencia Cardiaca Texto

Peso Numérico Corresponden al peso y la talla tomadas por el cirujano plástico en la cita de valoración al paciente. Talla Numérico

IMC Numérico Es el índice de masa corporal y representa la relación entre el peso y la talla.

Cara Texto

Corresponden a la evaluación física realizada por el cirujano plástico al paciente.

Cuello Texto Tórax Texto Abdomen Texto Extremidades Texto

Operado Categórica

Indica que el paciente estuvo en consulta de valoración y se realizó o no una cirugía estética con el cirujano plástico John Jairo Valencia Quintero, es del tipo categórico, siendo las categorías (SI/NO).

Tabla 1. Descripción de Variables

9.2. LIMPIEZA DE DATOS Para la limpieza de Datos; se realizó el estudio mediante dos herramientas de

software:

ü FRIL: Es un software mediante el cual se logran detectar duplicados no

idénticos mediante reglas de asociación de caracteres.

47

ü DQAnalizer: Es un software para realizar el perfilamiento de los datos;

entrega, entre otras cosas, descripción estadística de los mismos,

identificando las características individuales de los datos.

En la tabla 2, se pueden observar los hallazgos sobre duplicidad y perfilamiento

de datos mediante los softwares mencionados y el resultado del tratamiento a

dichos hallazgos.

SOFTWARE HALLAZGO TRATAMIENTO

FRILL

Ilustración 4. Selección - Campos

Duplicidad.

Ilustración 5. Resultados -

Duplicidad.

Mediante la revisión de los campos: primer nombre, segundo nombre, apellido y fecha de nacimiento, se encontró que en la base de datos habían 192 registros duplicados; dichos registros fueron revisados uno a uno con el cirujano; se descubrieron casos de error en digitación, duplicidad en elaboración de historia clínica por diferentes procedimientos en fechas diferentes; éstos registros fueron unificados.

48

DQAnalizer

Ilustración 6. Preparación - Sexo.

Ilustración 7. Datos Preparados -

Sexo.

Ilustración 8. Preparación -

Estado Civil.

La tabla es mucho más extensa, sólo se ejemplifica la falta de homogenización.

Ilustración 9. Datos Preparados -

Estado Civil.

49


Ocupación.


Ilustración 11. Datos Preparados

- Ocupación.


Cirugía Deseada.



- Cirugía Deseada.

50


Planificación.



- Planificación.

Tabla 2. Limpieza de Datos.

Datos Nulos

Se encontraron 975 registros sin dato en la columna peso y 1265 registros sin dato

en la columna talla; para tal caso, se halló la media de ambas columnas, siendo

63,4 para peso y 160 para talla; con ellos se sustituyeron los valores nulos,

Se encontraron 88 registros sin dato en la columna ocupación y se decidió crear

una nueva categoría llamada “desconocida” para efectos de conservación del

valor único de la verdad en los datos.

Datos Atípicos

En la columna planificación se encontraron 4 datos de tipo date (quizá por la

última fecha en que se presentó la menstruación); dichas filas fueron eliminadas.

51

En la columna de peso se encontraron 3 valores muy bajos, no acordes según la

talla del paciente; dichas filas fueron eliminadas.

En la columna ocupación se encontraron 5 datos con nombres de empresas;

dichas filas fueron eliminadas.

Registros Duplicados

Luego del análisis y corrección de los registros hallados como duplicados

mediante FRIL; se considera la base de datos libre de duplicidad. Se realiza

además, tal como se muestra en la tabla 2, la homogenización de varias

columnas, por ejemplo, la columna ocupación, donde se encontraron datos no

homogéneos tales como: maestra, docente, licenciada y profesora, entre otros.

9.3. ANÁLISIS ESTADÍSTICO DE LOS DATOS. A continuación, en la Tabla 3 se pueden observar las descripciones estadísticas

de cada uno de los datos.

ATRIBUTO DESCRIPCIÓN

Ilustración 16. Análisis Estadístico - Sexo.

La variable “sexo” contiene dos valores posibles, “F” para femenino con un total de registros de 2.309 y “M” para masculino con un total de registros de 139.

La variable “edad” contiene una edad mínima de 1 año y edad máxima de 84 años.

52

Ilustración 17. Análisis Estadístico - Edad.

En la curva se observa la media de 35,051 años.

Ilustración 18. Análisis Estadístico - Estado Civil.

La variable “estado_civil” contiene un total de 7 categorías, donde la categoría “soltero” presenta el mayor número de registros, en total 1.234, seguido por la categoría “casado” con 861 registros y la categoría con menos registros es “divorciado”, con 34.

Ilustración 19. Análisis Estadístico - Ocupación.

La variable “ocupación” contiene un total de 20 categorías, donde la categoría “ama_de_casa” presenta el mayor número de registros, en total 454, seguido por la categoría “estudiante” con 334 registros y la categoría con menos registros es “servicio_doméstico”, con 2.

La variable “cirugía_deseada1” contiene un total de 20

53

Ilustración 20. Análisis Estadístico - Cirugía Deseada 1.

categorías, donde la categoría “aum_mamario” presenta el mayor número de registros, en total 814, seguido por la categoría “liposucción” con 591 registros y las categorías con menos registros son “bichectomía”, “braquioplastia” y “mastectomía”, con sólo 1 registro.

Ilustración 21. Análisis Estadístico - Cirugía Deseada 2.

La variable “cirugía_deseada2” contiene un total de 11 categorías, donde la categoría “única” presenta el mayor número de registros, en total 1.343, queriendo decir esto que la paciente sólo estuvo interesada en la “cirugía_deseada1” y pudo habérsela o no realizado; seguido por la categoría “ninguna” con 887 registros, que significa que a pesar de que la paciente estuvo interesada en la “cirugía_deseada1”, no se realizó ninguna cirugía y las categorías con menos registros son “cambio_implantes”, y “otoplastia”, con sólo 2 registros.

La variable “AP_TIROIDES” contiene dos valores posibles, “SI” que indica que el paciente ha presentado antecedentes patológicos de tiroides con un total de 117 registros y “NO” que indica que el paciente no ha

54

Ilustración 22. Análisis Estadístico - AP_TIROIDES.

presentado antecedentes patológicos de tiroides con un total de 2.331 registros.

Ilustración 23. Análisis Estadístico - AP_CORAZON.

La variable “AP_CORAZON” contiene dos valores posibles, “SI” que indica que el paciente ha presentado antecedentes patológicos de enfermedades coronarias con un total de 21 registros y “NO” que indica que el paciente no ha presentado antecedentes patológicos de enfermedades coronarias con un total de 2.427 registros.

55

Ilustración 24. Análisis Estadístico - AP_SIDA.

La variable “AP_SIDA” contiene dos valores posibles, “SI” que indica que el paciente ha presentado antecedentes patológicos de SIDA con un total de 3 registros y “NO” que indica que el paciente no ha presentado antecedentes patológicos de SIDA con un total de 2.445 registros.

Ilustración 25. Análisis Estadístico - AP_RINONES.

La variable “AP_RINONES” contiene dos valores posibles, “SI” que indica que el paciente ha presentado antecedentes patológicos de enfermedades relacionadas al funcionamiento de los riñones con un total de 17 registros y “NO” que indica que el paciente no ha presentado antecedentes patológicos de enfermedades relacionadas al funcionamiento de los riñones con un total de 2.431 registros.

Ilustración 26. Análisis Estadístico - AP_VESICULA.

La variable “AP_VESICULA” contiene dos valores posibles, “SI” que indica que el paciente ha presentado antecedentes patológicos de enfermedades relacionadas al funcionamiento de la vesícula con un total de 29 registros y “NO” que indica que el paciente no ha presentado antecedentes patológicos de enfermedades relacionadas al funcionamiento de la vesícula con un total de 2.419 registros.

56

Ilustración 27. Análisis Estadístico - AP_ARTRITIS.

La variable “AP_ARTRITIS” contiene dos valores posibles, “SI” que indica que el paciente ha presentado antecedentes patológicos de artritis con un total de 19 registros y “NO” que indica que el paciente no ha presentado antecedentes patológicos de artritis con un total de 2.429 registros.

Ilustración 28. Análisis Estadístico - AP_PA.

La variable “AP_PA” contiene dos valores posibles, “SI” que indica que el paciente ha presentado antecedentes patológicos de presión arterial con un total de 51 registros y “NO” que indica que el paciente no ha presentado antecedentes patológicos de presión arterial con un total de 2.397 registros.

Ilustración 29. Análisis Estadístico - AP_SANGRADO.

La variable “AP_SANGRADO” contiene dos valores posibles, “SI” que indica que el paciente ha presentado antecedentes patológicos de sangrado con un total de 8 registros y “NO” que indica que el paciente no ha presentado antecedentes patológicos de sangrado con un total de 2.440 registros.

57

Ilustración 30. Análisis Estadístico - AP_PULMONES.

La variable “AP_PULMONES” contiene dos valores posibles, “SI” que indica que el paciente ha presentado antecedentes patológicos de enfermedades relacionadas al funcionamiento de los pulmones con un total de 8 registros y “NO” que indica que el paciente no ha presentado antecedentes patológicos de enfermedades relacionadas al funcionamiento de los pulmones con un total de 2.440 registros.

Ilustración 31. Análisis Estadístico - AP_SISTNERVIOSO.

La variable “AP_SISTNERVIOSO” contiene dos valores posibles, “SI” que indica que el paciente ha presentado antecedentes patológicos de enfermedades relacionadas al funcionamiento del sistema nervioso con un total de 28 registros y “NO” que indica que el paciente no ha presentado antecedentes patológicos de enfermedades relacionadas al funcionamiento del sistema nervioso con un total de 2.420 registros.

La variable “AP_ESTOMAGO” contiene dos valores posibles, “SI” que indica que el paciente ha presentado antecedentes patológicos de enfermedades relacionadas al funcionamiento del sistema digestivo con un total de 53 registros y “NO” que indica

58

Ilustración 32. Análisis Estadístico - AP_ESTOMAGO.

que el paciente no ha presentado antecedentes patológicos de enfermedades relacionadas al funcionamiento del sistema digestivo con un total de 2.395 registros.

Ilustración 33. Análisis Estadístico - AP_DIABETES.

La variable “AP_DIABETES” contiene dos valores posibles, “SI” que indica que el paciente ha presentado antecedentes patológicos de diabetes con un total de 10 registros y “NO” que indica que el paciente no ha presentado antecedentes patológicos de diabetes con un total de 2.438 registros.

Ilustración 34. Análisis Estadístico - AP_ASMA.

La variable “AP_ASMA” contiene dos valores posibles, “SI” que indica que el paciente ha presentado antecedentes patológicos de asma con un total de 76 registros y “NO” que indica que el paciente no ha presentado antecedentes patológicos de asma con un total de 2.372 registros.

59

Ilustración 35. Análisis Estadístico - AP_LUPUS.

La variable “AP_LUPUS” contiene dos valores posibles, “SI” que indica que el paciente ha presentado antecedentes patológicos de lupus con un total de 1 registro y “NO” que indica que el paciente no ha presentado antecedentes patológicos de lupus con un total de 2.447 registros.

Ilustración 36. Análisis Estadístico - AP_CANCER.

La variable “AP_CANCER” contiene dos valores posibles, “SI” que indica que el paciente ha presentado antecedentes patológicos de cáncer con un total de 14 registros y “NO” que indica que el paciente no ha presentado antecedentes patológicos de cáncer con un total de 2.434 registros.

Ilustración 37. Análisis Estadístico - AP_FIBROMIALGIA.

La variable “AP_FIBROMIALGIA” contiene dos valores posibles, “SI” que indica que el paciente ha presentado antecedentes patológicos de fibromialgia con un total de 10 registros y “NO” que indica que el paciente no ha presentado antecedentes patológicos de fibromialgia con un total de 2.438 registros.

60

Ilustración 38. Análisis Estadístico - AP_HIGADO.

La variable “AP_HIGADO” contiene dos valores posibles, “SI” que indica que el paciente ha presentado antecedentes patológicos de enfermedades relacionadas al funcionamiento del hígado con un total de 7 registros y “NO” que indica que el paciente no ha presentado antecedentes patológicos de enfermedades relacionadas al funcionamiento del hígado con un total de 2.441 registros.

Ilustración 39. Análisis Estadístico - AP_ESCLERO.

La variable “AP_ESCLERO” contiene sólo un valor posible, “NO” que indica que los pacientes no han presentado antecedentes patológicos de esclerosis con un total de 2448 registros.

Ilustración 40. Análisis Estadístico - AP_OTRAS.

La variable “AP_OTRAS” contiene dos valores posibles, “SI” que indica que el paciente ha presentado antecedentes patológicos de otras enfermedades con un total de 165 registros y “NO” que indica que el paciente no ha presentado antecedentes patológicos de otras enfermedades con un total de 2.283 registros.

61

Ilustración 41. Análisis Estadístico - MED_ASPIRINA.

La variable “MED_ASPIRINA” contiene dos valores posibles, “SI” que indica que el paciente actualmente consume aspirina con un total de 53 registros y “NO” que indica que el paciente actualmente no consume aspirina con un total de 2.395 registros.

Ilustración 42. Análisis Estadístico - MED_MOTRIN.

La variable “MED_MOTRIN” contiene dos valores posibles, “SI” que indica que el paciente actualmente consume motrín con un total de 22 registros y “NO” que indica que el paciente actualmente no consume motrín con un total de 2.426 registros.

Ilustración 43. Análisis Estadístico - MED_IBUPROFENO.

La variable “MED_IBUPROFENO” contiene dos valores posibles, “SI” que indica que el paciente actualmente consume ibuprofeno con un total de 82 registros y “NO” que indica que el paciente actualmente no consume ibuprofeno con un total de 2.366 registros.

62

Ilustración 44. Análisis Estadístico - MED_PARA_ARTRITIS.

La variable “MED_PARA_ARTRITIS” contiene dos valores posibles, “SI” que indica que el paciente actualmente consume medicamentos para el tratamiento de artritis con un total de 17 registros y “NO” que indica que el paciente actualmente no consume medicamentos para el tratamiento de artritis con un total de 2.431 registros.

Ilustración 45. Análisis Estadístico - MED_PARA_DORMIR.

La variable “MED_PARA_DORMIR” contiene dos valores posibles, “SI” que indica que el paciente actualmente consume medicamentos para inducir al sueño con un total de 57 registros y “NO” que indica que el paciente actualmente no consume medicamentos para inducir al sueño con un total de 2.391 registros.

Ilustración 46. Análisis Estadístico - MED_PARA_TOS.

La variable “MED_PARA_TOS” contiene dos valores posibles, “SI” que indica que el paciente actualmente consume medicamentos para la tos con un total de 33 registros y “NO” que indica que el paciente actualmente no consume medicamentos para la tos con un total de 2.415 registros.

63

Ilustración 47. Análisis Estadístico - MED_PARA_TIROIDES.

La variable “MED_PARA_TIROIDES” contiene dos valores posibles, “SI” que indica que el paciente actualmente consume medicamentos para el tratamiento de la tiroides con un total de 105 registros y “NO” que indica que el paciente actualmente no consume medicamentos para el tratamiento de la tiroides con un total de 2.343 registros.

Ilustración 48. Análisis Estadístico - MED_HORMONAS.

La variable “MED_HORMONAS” contiene dos valores posibles, “SI” que indica que el paciente actualmente consume medicamentos hormonales con un total de 15 registros y “NO” que indica que el paciente actualmente no consume medicamentos hormonales con un total de 2.433 registros.

Ilustración 49. Análisis Estadístico - MED_ANTICONCEPT.

La variable “MED_ANTICONCEPT” contiene dos valores posibles, “SI” que indica que el paciente actualmente consume anticonceptivos con un total de 217 registros y “NO” que indica que el paciente actualmente no consume anticonceptivos con un total de 2.231 registros.

64

Ilustración 50. Análisis Estadístico - MED_TRETINOINA.

La variable “MED_TRETINOINA” contiene dos valores posibles, “SI” que indica que el paciente actualmente consume tretinoina con un total de 6 registros y “NO” que indica que el paciente actualmente no consume tretinoina con un total de 2.442 registros.

Ilustración 51. Análisis Estadístico - MED_ANTIBIOTICOS.

La variable “MED_ANTIBIOTICOS” contiene dos valores posibles, “SI” que indica que el paciente actualmente consume antibióticos con un total de 31 registros y “NO” que indica que el paciente actualmente no consume antibióticos con un total de 2.417 registros.

Ilustración 52. Análisis Estadístico - MED_PARA_PRESION.

La variable “MED_PARA_PRESION” contiene dos valores posibles, “SI” que indica que el paciente actualmente consume medicamentos para el tratamiento de la presión arterial con un total de 40 registros y “NO” que indica que el paciente actualmente no consume medicamentos para el tratamiento de la presión arterial con un total de 2.408 registros.

65

Ilustración 53. Análisis Estadístico - MED_PARA_DIABETES.

La variable “MED_PARA_DIABETES” contiene dos valores posibles, “SI” que indica que el paciente actualmente consume medicamentos para el tratamiento de la diabetes con un total de 8 registros y “NO” que indica que el paciente actualmente no consume medicamentos para el tratamiento de la diabetes con un total de 2.440 registros.

Ilustración 54. Análisis Estadístico - MED_DIURETICOS.

La variable “MED_DIURETICOS” contiene dos valores posibles, “SI” que indica que el paciente actualmente consume medicamentos de éste tipo con un total de 18 registros y “NO” que indica que el paciente actualmente no consume medicamentos de éste tipo con un total de 2.430 registros.

Ilustración 55. Análisis Estadístico - MED_FENOBARBITAL.

La variable “MED_FENOBARBITAL” contiene dos valores posibles, “SI” que indica que el paciente actualmente consume fenobarbital con un total de 3 registros y “NO” que indica que el paciente actualmente no consume fenobarbital con un total de 2.445 registros.

66

Ilustración 56. Análisis Estadístico - MED_DIGITALICOS.

La variable “MED_DIGITALICOS” contiene dos valores posibles, “SI” que indica que el paciente actualmente consume medicamentos de éste tipo con un total de 3 registros y “NO” que indica que el paciente actualmente no consume medicamentos de éste tipo con un total de 2.445 registros.

Ilustración 57. Análisis Estadístico - MED_CORTISONA.

La variable “MED_CORTISONA” contiene dos valores posibles, “SI” que indica que el paciente actualmente consume cortisona con un total de 5 registros y “NO” que indica que el paciente actualmente no consume cortisona con un total de 2.443 registros.

Ilustración 58. Análisis Estadístico - MED_PARA_TOS.

La variable “MED_PARA_TOS” contiene dos valores posibles, “SI” que indica que el paciente actualmente consume medicamentos para el control de la tos con un total de 33 registros y “NO” que indica que el paciente actualmente no consume medicamentos para el control de la tos con un total de 2.415 registros.

67

Ilustración 59. Análisis Estadístico - planificación.

La variable “ocupación” contiene un total de 10 categorías, donde la categoría “desconocido” presenta el mayor número de registros, en total 1.191, seguido por la categoría “ninguno” con 523 registros y la categoría con menos registros es “preservativo”, con 12.

Ilustración 60. Análisis Estadístico - AF_HA.

La variable “AF_HA” contiene dos valores posibles, “SI” que indican que el paciente tiene antecedentes familiares de hipertensión arterial con un total de 525 registros y “NO” que indica que el paciente actualmente no tiene antecedentes familiares de hipertensión arterial con un total de 1.923 registros.

Ilustración 61. Análisis Estadístico - AF_EC.

La variable “AF_EC” contiene dos valores posibles, “SI” que indican que el paciente tiene antecedentes familiares sobre enfermedades coronarias con un total de 166 registros y “NO” que indica que el paciente actualmente no tiene antecedentes sobre enfermedades coronarias con un total de 2.282 registros.

68

Ilustración 62. Análisis Estadístico - AF_ART.

La variable “AF_ART” contiene dos valores posibles, “SI” que indican que el paciente tiene antecedentes familiares de artritis con un total de 150 registros y “NO” que indica que el paciente actualmente no tiene antecedentes familiares de artritis con un total de 2.298 registros.

Ilustración 63. Análisis Estadístico - AF_COAG.

La variable “AF_COAG” contiene dos valores posibles, “SI” que indican que el paciente tiene antecedentes familiares sobre problemas de coagulación de sangre con un total de 61 registros y “NO” que indica que el paciente actualmente no tiene antecedentes familiares sobre problemas de coagulación de sangre con un total de 2.387registros.

Ilustración 64. Análisis Estadístico - AF_ASM.

La variable “AF_ASM” contiene dos valores posibles, “SI” que indican que el paciente tiene antecedentes familiares de asma con un total de 172 registros y “NO” que indica que el paciente actualmente no tiene antecedentes familiares de asma con un total de 2.275 registros.

69

Ilustración 65. Análisis Estadístico - AF_DIAB.

La variable “AF_DIAB” contiene dos valores posibles, “SI” que indican que el paciente tiene antecedentes familiares de diabetes con un total de 373 registros y “NO” que indica que el paciente actualmente no tiene antecedentes familiares de diabetes con un total de 2.075 registros.

Ilustración 66. Análisis Estadístico - AF_CAN.

La variable “AF_CAN” contiene dos valores posibles, “SI” que indican que el paciente tiene antecedentes familiares de cáncer con un total de 158 registros y “NO” que indica que el paciente actualmente no tiene antecedentes familiares de cáncer con un total de 2.290 registros.

Ilustración 67. Análisis Estadístico - AF_OTR.

La variable “AF_OTR” contiene dos valores posibles, “SI” que indican que el paciente tiene antecedentes familiares de otras enfermedades con un total de 22 registros y “NO” que indica que el paciente actualmente no tiene antecedentes familiares de otras enfermedades con un total de 2.426 registros.

70

Ilustración 68. Análisis Estadístico - HAB_CIGARRILLO.

La variable “HAB_CIGARRILLO” contiene dos valores posibles, “SI” que indican que el paciente tiene el hábito de fumar cigarrillo con un total de 115 registros y “NO” que indica que el paciente no tiene el hábito de fumar cigarrillo con un total de 2.333 registros.

Ilustración 69. Análisis Estadístico - HAB_LICOR.

La variable “HAB_LICOR” contiene dos valores posibles, “SI” que indican que el paciente tiene el hábito de consumir licor con un total de 101 registros y “NO” que indica que el paciente no tiene el hábito de consumir licor con un total de 2.347 registros.

Ilustración 70. Análisis Estadístico - HAB_CAFE.

La variable “HAB_CAFE” contiene dos valores posibles, “SI” que indican que el paciente tiene el hábito de consumir café con un total de 159 registros y “NO” que indica que el paciente no tiene el hábito de consumir café con un total de 2.289 registros.

71

Ilustración 71. Análisis Estadístico - HAB_PASTIL_DORMIR.

La variable “HAB_PASTIL_DORMIR” contiene dos valores posibles, “SI” que indican que el paciente tiene el hábito de consumir pastillas para inducir al sueño con un total de 15 registros y “NO” que indica que el paciente no tiene el hábito de consumir pastillas para inducir al sueño con un total de 2.433 registros.

Ilustración 72. Análisis Estadístico - HAB_OTROS.

La variable “HAB_OTROS” contiene dos valores posibles, “SI” que indican que el paciente tiene otros hábitos no saludables con un total de 18 registros y “NO” que indica que el paciente no tiene hábitos no saludables con un total de 2.430 registros.

Ilustración 73. Análisis Estadístico - peso.

La variable “peso” contiene un peso mínimo de 11 kilogramos y peso máximo de 117 kilogramos.

En la curva se observa que la media se encuentra en los 63,421 kilogramos.

72

Ilustración 74. Análisis Estadístico - talla.

La variable “talla” contiene una talla mínima de 65 centímetros y una talla máxima de 187 centímetros.

En la curva se observa la media de 159,791.

Ilustración 75. Análisis Estadístico - IMC.

La variable “IMC” contiene un índice de masa corporal mínimo de 13,8 y un índice de masa corporal máximo de 45,7.

En la curva se observa una media de 24.

Tabla 3. Descripción Estadística de los Datos.

9.4. TRANSFORMACIONES

Las variables no requirieron ninguna transformación; a excepción de la necesidad

que se presentó para ejecutar el algoritmo “ A priori”, el cual no permite variables

numéricas; para esto entonces, desde el negocio, se categorizaron las variables:

edad e IMC.

9.5. SELECCIÓN DE VARIABLES. Para efectos de minería, como se ilustra en la Tabla 4, se eliminaron columnas

que, según el criterio del cirujano plástico y el análisis de datos, se identificaron

como no aptas, redundantes o irrelevantes porque no inciden en la toma de

decisión frente a la realización de cirugía estética:

73

VARIABLE TIPO DE VARIABLE ANÁLISIS JUSTIFICACIÓN

PACIENTE

N° Historia Numérico Irrelevante Ya que corresponde a un número consecutivo asignado por la auxiliar de oficina.

Fecha Fecha Irrelevante Ya que corresponde al día en que el paciente asiste por primera vez al médico.

Primer Nombre Categórica Irrelevante Ya que éste tipo de datos no generan resultados de minería relevantes para el negocio.

Segundo Nombre Categórica Irrelevante Apellidos Categórica Irrelevante Sexo weka: sexo Categórica Relevante Corresponde al género del

paciente.

Fecha Nacimiento Fecha Irrelevante Presenta redundancia con la variable Edad.

Edad Cirugía weka: edad Categórica Relevante

Corresponde a la edad que tenía el paciente al asistir a consulta de valoración.

Estado Civil weka: estado_civil Categórica Relevante

Corresponde al estado civil que tenía el paciente al asistir a consulta de valoración.

Ocupación weka: ocupación Categórica Relevante Actividad a la cual se dedica el

paciente.

Entidad Categórica Irrelevante

Institución por la cual es remitido el paciente; resulta irrelevante ya que el 90% de los pacientes asisten por consulta privada.

Dirección Residencia Categórica Irrelevante

Ya que éste tipo de datos no generan resultados de minería relevantes para el negocio.

Teléfono Categórica Irrelevante e-mail Categórica Irrelevante Nombre acompañante Categórica Irrelevante Teléfono Acompañante Categórica Irrelevante Persona Responsable Categórica Irrelevante

74

Teléfono Responsable Categórica Irrelevante Parentesco Categórica Irrelevante

Cirugía Deseada weka: cirugia_deseada1

Categórica Relevante Hacen referencia a las cirugías que el paciente manifiesta, desea realizarse. Otra Cirugía Deseada

weka: cirugía_deseada2

Categórica Relevante

ANTECEDENTES PATOLOGICOS Tiroides Categórica Irrelevante

Por regla de negocio se realizó el respectivo estudio de las variables junto al cirujano plástico y se llegó a la conclusión que por definición, se presenta redundancia entre los antecedentes patológicos del paciente y los medicamentos que éste consume. Un ejemplo claro, es la relación que existe entre un paciente que presenta antecedentes patológicos de tiroides y consume medicamentos para el control de la misma. También es importante aclarar, que la presencia de alguno de éstos antecedentes patológicos, no es impedimento para la realización de una cirugía estética.

Corazón Categórica Irrelevante Sida HIV Categórica Irrelevante Riñones Categórica Irrelevante Vesícula Categórica Irrelevante Artritis Categórica Irrelevante Propensión al sangrado Categórica Irrelevante

Presión Arterial Categórica Irrelevante Pulmones Categórica Irrelevante Sistema Nervioso Categórica Irrelevante Estomago Categórica Irrelevante Diabetes Categórica Irrelevante Asma Categórica Irrelevante Lupus Categórica Irrelevante Cáncer Categórica Irrelevante Fibromialgia Categórica Irrelevante Hígado Categórica Irrelevante Escleroderma Categórica Irrelevante

Otras Categórica Irrelevante

MEDICAMENTOS

Aspirina weka: MED_ASPIRINA Categórica Relevante

Hace referencia al consumo de éste medicamento actualmente.

75

Motrin Categórica Redundante

Por definición, el ibuprofeno y el motrín contienen los mismos componentes, por tal razón, se presenta redundancia.

Ibuprofeno weka: MED_IBUPROFENO


Hace referencia al consumo de éstos medicamento actualmente.

Para Artritis weka: MED_PARA_ARTRITIS


Para Dormir weka: MED_PARA_DORMIR


Para la Tos weka: MED_PARA_TOS


Para Tiroides weka: MED_PARA_TIROIDES


Hormonas weka: MED_HORMONAS


Anticonceptivos Categórica Redundante

Por definición, la variable presenta redundancia con el método de planificar, se asume entonces que en el método, la paciente indica si consume anticonceptivos orales.

Tretinoina weka: MED_TRETINOINA

Categórica Relevante Hace referencia al consumo de éste medicamento actual mente.

76

Antibióticos weka: MED_ANTIBIOTICOS


Para la Presión weka: MED_PARA_PRESION


Para la Diabetes weka: MED_PARA_DIABETES


Diuréticos weka: MED_DIURETICOS


Fenobarbital weka: MED_FENOBARBITAL


Digitálicos weka: MED_DIGITALICOS


Cortisona weka: MED_CORTISONA


Para Perder peso weka: MED_PARA_PESO


ANTECEDENTES GINECO

Edad Menstruacion Categórica Irrelevante

Corresponde a la edad en la cual se presentó la primera menstruación y al número de días del ciclo. El cirujano plástico decidió que éstas variables no fuesen incluidas en el proceso de minería porque las considera irrrelevantes frente a la realización de una cirugía estética.

Ciclo Texto Irrelevante

77

Método de Planificacion weka: PLANIFICACION


Hace referencia al método de planificación utilizado por el paciente e influye en los posibles componentes hormonales del método.

ANTECEDENTES FAMILIARES Hipertensión Arterial weka: AF_HA Categórica Relevante

Hacen referencia al padecimiento por parte de un familiar en primer o segundo grado de consanguineidad de las enfermedades en mención.

Enfermedad Coronaria weka: AF_EC Categórica Relevante

Artritis weka: AF_ART Categórica Relevante

Transtornos de Coagulación weka: AF_COAG


Asma weka: AF_ASM Categórica Relevante

Diabetes weka: AF_DIAB Categórica Relevante

Cáncer de mama weka: AF_CAN Categórica Relevante

Otro weka: AF_OTR Categórica Relevante

HABITOS Cigarrillo weka: HAB_CIGARRILLO

Categórica Relevante Hace referencia al hábito de fumar cigarrillo en el paciente.

Licor weka: HAB_LICOR Categórica Relevante Hace referencia al hábito de

consumir licor por el paciente.

Café weka: HAB_CAFE Categórica Relevante Hace referencia al hábito de

consumir cafeína.

Pildoras para dormir weka: HAB_PASTIL_DORMIR

Categórica Relevante Hace referencia al hábito de consumir medicamentos para inducir al sueño.

78

Otros weka: HAB_OTROS Categórica Relevante

Hace referencia a la existencia de otros hábitos no saludables en el paciente.

EVALUACIÓN FISICA

Tension Arterial Texto No apto Corresponden a la cuantificación mediante instrumento de medición de la tensión arterial y los latidos cardiacos por minuto; por el tipo de dato; no son aptos para el proceso de minería.

Frecuencia Cardiaca Texto No apto

Peso Numérico Redundante Corresponden al peso y la talla tomadas por el cirujano plástico en la cita de valoración al paciente; presentan redundancia con el índice de masa corporal ya que éste es la relación directa entre peso y talla.

Talla Numérico Redundante

IMC weka: IMC Numérico Relevante

Es el índice de masa corporal y representa la relación entre el peso y la talla.

Cara Texto No apto Corresponden a la evaluación física realizada por el cirujano plástico al paciente; por el tipo de dato; no son aptos para el proceso de minería.

Cuello Texto No apto Tórax Texto No apto Abdomen Texto No apto Extremidades Texto No apto

operado weka: operado Categórica Relevante

Indica que el paciente estuvo en consulta de valoración y se realizó o no una cirugía estética con el cirujano plástico John Jairo Valencia Quintero.

Tabla 4. Análisis de Variables.

79

9.6. ANÁLISIS DE CORRELACIONES.

El análisis de correlaciones se utiliza para determinar variables con contenidos

redundates o correlacionados. En la Tabla 5 se presenta la matriz de

correlaciones de variables altamente correlacionadas; es importante aclarar que la

matriz original fue 101 filas por 101 columnas.

VARIABLE 1 VARIABLE 2 CORRELACIÓN planificacion=pareja sexo=M 0.99 cirugia_deseada2=ninguna operado=NO 0.97 MED_CORTISONA=NO MED_FENOBARBITAL=NO 0.77 MED_CORTISONA=NO MED_DIGITÁLICOS=NO 0.77 MED_TRETINOINA=NO MED_FENOBARBITAL=NO 0.71 MED_TRETINOINA=NO MED_DIGITÁLICOS=NO 0.71

Tabla 5 . Variables con correlaciones altas (mayor a 0.7).

Por regla de negocio se define que, usualmente por como está estructurada la

historia clínica, son las mujeres quienes responden a la pregunta sobre métodos

de planificación ya que éstos inciden directamente sobre el sistema endocrino;

siendo así, la primera y más alta correlación será ignorada para efectos de

reducción de variables

Por regla de negocio además, se identificó que cuando no se deseó una segunda

cirugía “cirugia_deseada2=ninguna” sí se construyó un correlación con los

pacientes que no se realizaron una cirugía estética “operado=NO” ; pero ambas

variables se mantienen ya que éstas son las únicas categorías correlacionadas.

Las correlaciones encontradas entre medicamentos (MED) no se tendrán en

cuenta ya que la prescripción médica de cada uno de ellos es independiente del

otro, es decir, el fenobarbital es usado como anticonvulsionante, la tretinoina es

prescrito para tratamiento de acné, los medicamentos digitálicos se usan en el

tratamiento de insuficiencias cardiacas congestivas y la cortisona es un

80

medicamento utilizado como antiinflamatorio para el tratamiento de la artritis;

motivo entonces por el cual el uso de uno no se relaciona con el otro.

Por otra parte, respecto a las correlaciones, en la Tabla 6, se presentan las

variables con una correlación baja con relación a la variable objetivo.

VARIABLE 1 VARIABLE 2 CORRELACIÓN estado_civil=desconocido operado=NO 0 ocupacion=empleado operado=NO 0 ocupacion=oficios_varios operado=NO 0 ocupacion=operario operado=NO 0 ocupacion=vendedor operado=NO 0 cirugia_deseada1=cirugía_mano operado=NO 0 MED_PARA_ARTRITIS=NO operado=NO 0 estado_civil=soltero operado=NO 0.01 estado_civil=viudo operado=NO 0.01 ocupacion=ciencias_sociales operado=NO 0.01 ocupacion=ingeniero operado=NO 0.01 cirugia_deseada1=ginecoplastia operado=NO 0.01 cirugia_deseada2=cambio_implantes operado=NO 0.01 MED_ANTIBIOTICOS=NO operado=NO 0.01 MED_PARA_DIABETES=NO operado=NO 0.01 AF_ART=NO operado=NO 0.01 estado_civil=casado operado=NO 0.02 ocupacion=área_belleza operado=NO 0.02 ocupacion=área_financiera operado=NO 0.02 ocupacion=docente operado=NO 0.02 MED_ASPIRINA=NO operado=NO 0.02 MED_HORMONAS=NO operado=NO 0.02 MED_TRETINOINA=NO operado=NO 0.02 MED_PARA_PRESION=NO operado=NO 0.02 MED_CORTISONA=NO operado=NO 0.02 planificacion=preservativo operado=NO 0.02 AF_COAG=NO operado=NO 0.02 AF_CAN=NO operado=NO 0.02 ocupacion=área_administrativa operado=NO 0.03 ocupacion=desconocida operado=NO 0.03 cirugia_deseada1=lesión operado=NO 0.03 cirugia_deseada1=ritidoplastia operado=NO 0.03

81

MED_FENOBARBITAL=NO operado=NO 0.03 MED_DIGITALICOS=NO operado=NO 0.03 MED_PARA_PESO=NO operado=NO 0.03 AF_ASM=NO operado=NO 0.03 Edad operado=NO 0.04 ocupacion=servicio_doméstico operado=NO 0.04 cirugia_deseada1=aum_implantes operado=NO 0.04 MED_PARA_DORMIR=NO operado=NO 0.04 MED_PARA_TOS=NO operado=NO 0.04 MED_DIURETICOS=NO operado=NO 0.04 ocupacion=artes operado=NO 0.05 HAB_PASTIL_DORMIR=NO operado=NO 0.05 HAB_OTROS=NO operado=NO 0.05 MED_IBUPROFENO=NO operado=NO 0.06 AF_EC=NO operado=NO 0.06 estado_civil=divorciado operado=NO 0.07 IMC operado=NO 0.08 HAB_CIGARRILLO=NO operado=NO 0.08 cirugia_deseada1=liposucción operado=NO 0.08 AF_DIAB=NO operado=NO 0.08 HAB_CIGARRILLO=NO operado=NO 0.08 IMC operado=NO 0.08 HAB_LICOR=NO operado=NO 0.11 HAB_CAFE=NO operado=NO 0.11 HAB_LICOR=NO operado=NO 0.11 HAB_CAFE=NO operado=NO 0.11 AF_HA=NO operado=NO 0.15 planificacion=ninguno operado=NO 0.2 cirugia_deseada1=valoración_general operado=NO 0.24

Tabla 6. Variables con correlación baja (menor a 0.3).

Se encuentran bajas correlaciones con la variable objetivo en la categoría “NO”, es

decir “operado=NO” y varias categorías de las variables restantes, dichas

categorías no se hacen relevantes ya que el objetivo principal del proceso de

minería es conocer las variables que influyen en la categoría “SI” de la variable

“operado”; sumando a ello, las correlaciones se presentan entre algunas

categorías de cada variable y no en la totalidad de las mismas.

82

10. MODELADO Y EVALUACIÓN

El objetivo de esta fase es aplicar las diversas técnicas y algoritmos sobre el

conjunto de datos para obtener la información oculta y los patrones implícitos en

ellos, de esta manera, al aplicar las diferentes técnicas de minería de datos, se

intentará encontrar las respuestas buscadas en la presente investigación.

Los algoritmos a aplicar para determinar los factores que más influyen en la

realización de una cirugía estética son :

• Selección de factores con análisis de correlaciones

• Selección de factores con PCA

• Selección de factores con Árboles de Decisión

• Selección de factores con regresión logística

• Reglas de asociación

Se pretende, con cada uno de los algoritmos, hallar los factores más relevantes de

cada uno y finalmente, realizar una votación entre todas las técnicas, revisando el

número de veces que el factor fue hallado como el más relevante; así entonces, se

definirán los factores más influyentes como los que aparecieron el mayor número

de veces.

Adicionalmente, se realiza una agrupación de los pacientes para identificar perfiles

de usuarios del cirujano John Jairo Valencia Quintero.

Premisas:

• La herramienta seleccionada para el modelado es Weka 3.8.0

• Él éxito de las historias clínicas analizadas como objeto de estudio en la

muestra de datos, se medirá por la realización de una cirugía estética.

• Los datos analizados se componen de 38 variables seleccionadas,

numeradas en la Tabla 7. • La cantidad de registros es de 2448.

83

VARIABLES 1 Sexo 20 MED_DIGITALICOS 2 Edad 21 MED_CORTISONA 3 estado_civil 22 MED_PARA_PESO 4 Ocupación 23 Planificación 5 cirugia_deseada1 24 AF_HA 6 cirugia_deseada2 25 AF_EC 7 MED_ASPIRINA 26 AF_ART 8 MED_IBUPROFENO 27 AF_COAG 9 MED_PARA_ARTRITIS 28 AF_ASM 10 MED_PARA_DORMIR 29 AF_DIAB 11 MED_PARA_TOS 30 AF_CAN 12 MED_PARA_TIROIDES 31 AF_OTR 13 MED_HORMONAS 32 HAB_CIGARRILLO 14 MED_TRETINOINA 33 HAB_LICOR 15 MED_ANTIBIOTICOS 34 HAB_CAFE 16 MED_PARA_PRESION 35 HAB_PASTIL_DORMIR 17 MED_PARA_DIABETES 36 HAB_OTROS 18 MED_DIURETICOS 37 IMC 19 MED_FENOBARBITAL 38 Operado

Tabla 7. Variables para el modelamiento.

10.1. EXPERIMENTO 1: SELECCIÓN DE FACTORES CON ANÁLISIS DE CORRELACIONES

Objetivo del experimento: Analizar, mediante una correlación, las variables de

historia clínica que más influyen en la realización de una cirugía estética.

Evaluación de resultados:

RANKED VARIABLE VALOR 1 cirugia_deseada2 0.82628 2 AF_HA 0.14981 3 HAB_LICOR 0.10978 4 HAB_CAFE 0.10828 5 IMC 0.08274 6 AF_DIAB 0.07954

84

7 AF_OTR 0.07823 8 HAB_CIGARRILLO 0.07627 9 Planificación 0.07005

10 cirugia_deseada1 0.06545

Tabla 8. Evaluación de Resultados - Experimento 1.

Interpretación de los resultados

De acuerdo a los resultados arrojados por el análisis de correlaciones, las 10

variables valoradas en la Tabla 8, juegan un papel importante dentro del modelo,

ya que sus pesos son los más altos.

Se puede concluir entonces que la variable “cirugia_deseada2” tiene la mayor

incidencia, un 82,628% sobre la variable estudiada, queriendo decir esto que, la

segunda cirugía que el paciente manifiesta que desea realizarse en la consulta de

valoración, es determinante para saber si realmente se realizará o no una cirugía.

Es importante resaltar que también la variable “cirugia_deseada1” hace parte de

los pesos mayores y, aunque su peso no es tan alto como el de la anterior, tiene

una influencia del 6,545%.

Dentro del ranking también se encontró que variables referentes a los

antecedentes familiares de los pacientes influyen sobre la variable estudiada;

antecedentes de Hipertensión Arterial en un 14,981%, de Diabetes en un 7,954%

y otros antecedentes con un 7,823%.

Hábitos como el de consumir licor con una influencia de 10,978%, consumir café

con 10,828% y fumar con 7,627% fueron también relevantes y son evidentes

desde el punto de vista médico ya que, quienes tengan dichos hábitos, deben

pasar por períodos de abstinencia específicos para ser aptos para un

procedimiento quirúrgico.

La influencia de la variable “IMC” (Índice de Masa Corporal) con un 8,274% es

también indiscutible ya que, por lo general, muchos pacientes que desean o se

85

realizan liposucción y/o abdominoplastia presentan un índice de masa corporal

alto.

Por último, la variable “Planificación” presentó una influencia del 7% sobre la

variable estudiada.

10.2. EXPERIMENTO 2: SELECCIÓN DE FACTORES CON PCA

Objetivo del experimento: Analizar las variables de las historias clínicas que

más influyen en la realización de una cirugía estética mediante PCA (Principal

Component Analysis o Análisis de Componentes principales)

Modelado: Principal Component (PCA)


RANKED VARIABLE 1 IMC 2 cirugia_deseada1=cirugía_facial 3 cirugia_deseada1=aum_mamario 4 cirugia_deseada1=bichectomía 5 cirugia_deseada1=braquioplastia 6 cirugia_deseada1=aum_implantes 7 cirugia_deseada1=aum_glúteos 8 cirugia_deseada1=abdominoplastia 9 ocupacion=servicio_doméstico

10 ocupacion=servidor_público


Interpretación de los resultados:

Haciendo un top 10 sobre las variables que arrojó el método PCA en la Tabla 9,

se encuentra que la variable más importante en este método de análisis, es el

“IMC” (Índice de Masa Corporal); tiene coherencia en cuanto que, muchos de los

86

pacientes que se realizan cirugías estéticas corporales tienen un índice de masa

corporal alto.

Las siguientes 7 variables de mayor relevancia pertenecen a la primera cirugía

que el paciente manifiesta que desea realizarse; algunas categorías son: cirugía

facial, aumento mamario, bichectomía, braquioplastia, aumento de implantes,

aumento de glúteos y abdominoplastia; hasta el momento sobre éstas no se

puede concluir nada en cuanto los siguientes algoritmos nos arrojen más datos.

Las últimas dos variables del top 10 son ocupaciones de los pacientes; servicio

doméstico y servidor público; al igual que sobre la categoría anterior; no se puede

concluir hasta no tener un avance; llama la atención que por estrato socio-

económico, dichas ocupaciones son opuestas.

10.3. EXPERIMENTO 3: SELECCIÓN DE FACTORES CON ÁRBOLES DE DECISIÓN

Objetivo del experimento: Analizar las variables de las historias clínicas que más

influyen en la realización de una cirugía estética mediante árboles de decisión.

Modelado: Arboles de decisión (J48), validación cruzada con 10 grupos y

balanceo de datos para mejorar la calidad del aprendizaje.


DETAILED ACCURACY BY CLASS TP Rate FP Rate Precision Recall Class

0,966 0,022 0,979 0,996 SI 0,978 0,004 0,996 0,978 NO 0,987 0,013 0,978 0,987 Weighted Avg.

F-Measure MCC ROC Area PRC Area Class

0,978 0,975 0,995 0,99 SI 0,978 0,975 0,995 0,995 NO

87

0,987 0,975 0,995 0,992 Weighted Avg. CONFUSIÓN MATRIX

A b Classified as 1524 6 a=SI

33 1496 b=NO Correctly Classified Instances 3020 98.7251 %

Incorrectly Classified Instances 39 1.2749 % Tabla 10. Evaluación de Resultados - Experimento 3.

Interpretación de resultados: Como se observa en la Tabla 10, en este experimento, se tiene el 99.5% de datos

clasificados correctamente. El área ROC para cada clúster es superior a 0.7, lo

cual indica que el resultado tiene un alto porcentaje de confiabilidad. Sobre la

diagonal principal de la matriz de confusión se tiene la mayor parte de los datos.

Lo cual genera un resultado muy cercano a la realidad.

De acuerdo con los resultados de este experimento de selección de factores, por

medio de un árbol de decisión, se puede concluir que la realización de una cirugía

estética, es influenciada en gran medida por las variables que se presentan a

continuación en la Ilustración 4.

88

Ilustración 76: Resultado del Experimento bajo la técnica Árbol de Decisiones

89

RAMA VARIABLE 1 cirugia_deseada2= ninguna (NO;1496) 2 cirugia_deseada2= única (SI;1343)

3

cirugia_deseada2=abdominoplastia; MED_PARA_PESO=SI (NO;2) MED_PARA_PESO=NO (SI;64)

4 cirugia_deseada2=aum_mamario (SI;62) 5 cirugia_deseada2=liposucción (SI;45) 6 cirugia_deseada2=aum_glúteos (SI;15) 7 cirugia_deseada2=rinoplastia (SI;12) 8 cirugia_deseada2=mastopexia (SI;11) 9 cirugia_deseada2=cirugía_facial (SI;5)

10 cirugia_deseada2=cambio_implantes (SI;2) 11 cirugia_deseada2=otoplastia (SI;2)

Tabla 11. Clasificación de las Ramas arrojadas - Experimento 3.

Rama Uno: Segunda cirugía deseada = ninguna: La primera rama, que

mayor predominancia tiene en éste experimento, hace referencia a la no

realización de una cirugía estética para los pacientes que en el campo

“cirugía_deseada2” tienen como valor “ninguna”; esto es una obviedad según

el negocio ya que, cuando un paciente no se realizaba una cirugía estética

con el cirujano plástico, el campo cirugía_deseada2 era marcado como ninguna para no dejarlo nulo o vacío.

Rama Dos: Segunda cirugía deseada = única: La segunda rama, que

mayor predominancia tiene también en éste experimento, hace referencia a

la realización de una cirugía estética para los pacientes que en el campo

“cirugía_deseada2” tienen como valor “única”; esto es un descubrimiento

interesante porque quiere decir que aquellos pacientes que sólo

manifestaron el deseo de realizarse una cirugía estética, finalmente se operaron.

Rama Tres: Segunda cirugía deseada = abdominoplastia y consumo de

medicamentos para perder peso: La tercera rama es específica con el tipo

de cirugía abdominoplastia y hace una relación directa con el consumo de

90

medicamentos para perder peso; indicando que los pacientes que

manifiestan realizarse una abdominoplastia como segunda cirugía y no

consumen medicamentos para perder peso, son propensos a realizarse

alguna cirugía estética.

Rama cuatro, cinco, seis, siete, ocho, nueve, diez y once: Segunda

cirugía deseada: Cada una de éstas ramas muestra la relevancia que tiene

el tipo de cirugía que el paciente manifiesta como segunda opción en su

deseo de realizarse alguna cirugía estética; llegando a la realización de la

misma, entre ellas, de manera más común el aumento mamario y menos

común, la otoplastia.

10.4. EXPERIMENTO 4: SELECCIÓN DE FACTORES CON

REGRESIÓN LOGÍSTICA

Objetivo del experimento: Analizar las variables de las historias clínicas

que más influyen en la realización de una cirugía estética mediante

regresión logística.

Modelado: Simple logistic, con una validación cruzada de 10 grupos y

balanceo de los datos.


SimpleLogistic:

Class 0 :

0.19+ [edad]*0.02+ [estado_civil=desconocido]*-0.58+ [estado_civil=divorciado]*1.16+ [estado_civil=soltero]*0.47+ [estado_civil=union_libre]*-0.28+ [estado_civil=viudo]*-0.95+ [ocupacion=ama_casa]*-0.17+ [ocupacion=área_financiera]*-0.35+ [ocupacion=docente]*0.58+ [ocupacion=empleado] * 1.14 + [ocupacion=estudiante] * -0.42 +

91

[ocupacion=independiente] * -0.52 + [ocupacion=ingeniero] * 0.55 + [ocupacion=oficios_varios] * -0.79 + [ocupacion=operario] * -0.95 + [cirugia_deseada1=aum_implantes] * 0.66+ [cirugia_deseada1=cambio_implantes]*0.69+ [cirugia_deseada1=cirugía_facial] * 0.5 + [cirugia_deseada1=liposucción] * -0.26 + [cirugia_deseada1=mastopexia]*0.81+ [cirugia_deseada2=cambio_implantes] * -1.82 + [cirugia_deseada2=liposucción] * -0.58 + [cirugia_deseada2=mastopexia] * -0.42 + [cirugia_deseada2=ninguna] * -6.32+ [cirugia_deseada2=otoplastia]*1.41+ [cirugia_deseada2=rinoplastia] * 0.38 + [cirugia_deseada2=única] * 2.83 + [MED_PARA_ARTRITIS=NO] * 0.7 + [MED_PARA_TOS=NO] * 0.58 + [MED_PARA_TIROIDES=NO] * 1.44 + [MED_PARA_PRESION=NO] * -0.62 + [MED_PARA_PESO=NO] * 0.96 + [planificacion=histerectomía] *1.22+ [planificacion=met_dispositivo] * 1.11 + [planificacion=met_inyectable] * 1.11 + [planificacion=met_oral] * -0.59 + [planificacion=ninguno] * -0.55+ [planificacion=pareja] * -1.32 + [planificacion=preservativo] * 1.32 + [planificacion=vasectomía] * 1.4 + [AF_EC=NO] * 0.68 + [AF_ART=NO] * -0.67 + [AF_ASM=NO] * -0.3 + [AF_DIAB=NO] * 0.2 + [HAB_CIGARRILLO=NO] * -0.47 + [HAB_PASTIL_DORMIR=NO] * -0.64+ [HAB_OTROS=NO] * -1.35

Class 1 :

-0.19 + [edad]*-0.02+ [estado_civil=desconocido]*0.58+ [estado_civil=divorciado]*1.16+ [estado_civil=soltero]*0.47+ [estado_civil=union_libre]*0.28+ [estado_civil=viudo]*0.95+

92

[ocupacion=ama_casa]*0.17+ [ocupacion=área_financiera]*0.35+ [ocupacion=docente]*-0.58+ [ocupacion=empleado]*1.14+ [ocupacion=estudiante]*0.42+ [ocupacion=independiente]*0.52+ [ocupacion=ingeniero]*-0.55+ [ocupacion=oficios_varios]*0.79+ [ocupacion=operario]*0.95+ [cirugia_deseada1=aum_implantes]*-0.66 + [cirugia_deseada1=cambio_implantes]*-0.69 + [cirugia_deseada1=cirugía_facial]*-0.5 + [cirugia_deseada1=liposucción]*0.26 + [cirugia_deseada1=mastopexia]*-0.81 + [cirugia_deseada2=cambio_implantes]*1.82 + [cirugia_deseada2=liposucción] *0.58 + [cirugia_deseada2=mastopexia]*0.42+ [cirugia_deseada2=ninguna] *6.32+ [cirugia_deseada2=otoplastia]*-1.41+ [cirugia_deseada2=rinoplastia] * -0.38+ [cirugia_deseada2=única]*-2.83+ [MED_PARA_ARTRITIS=NO]*-0.7+ [MED_PARA_TOS=NO]*-0.58+ [MED_PARA_TIROIDES=NO]*-1.44+ [MED_PARA_PRESION=NO]*0.62+ [MED_PARA_PESO=NO]*-0.96+[ planificacion=histerectomía]*-1.22+ [planificacion=met_dispositivo]* -1.11+ [planificacion=met_inyectable]*-1.11+ [planificacion=met_oral]*0.59+ [planificacion=ninguno]*0.55+ [planificacion=pareja]*1.32+ [planificacion=preservativo]*-1.32+ [planificacion=vasectomía]*-1.4+ [AF_EC=NO]*-0.68+ [AF_ART=NO]*0.67+ [AF_ASM=NO]*0.3+ [AF_DIAB=NO]*-0.2+ [HAB_CIGARRILLO=NO]*0.47+ [HAB_PASTIL_DORMIR=NO]*0.64+ [HAB_OTROS=NO]*1.35

93

DETAILED ACCURACY BY CLASS TP Rate FP Rate Precision Recall Class

0,99 0,019 0,981 0,99 SI 0,981 0,01 0,99 0,981 NO 0,986 0,014 0,986 0,986 Weighted Avg.

F-Measure MCC ROC Area PRC Area Class 0,986 0,971 0,998 0,998 SI 0,986 0,971 0,998 0,999 NO 0,986 0,971 0,998 0,998 Weighted Avg.

CONFUSIÓN MATRIX A b Classified as

1515 15 a=SI 29 1500 b=NO

Correctly Classified Instances 3015 98.5616 % Incorrectly Classified Instances 44 1.4384 %


Interpretación de resultados:

De acuerdo al resultado arrojado por el método, ver Tabla 12, se determina

que la clase 0 tiene todas las condiciones para ser considerado el conjunto

de variables con mayor posibilidad de ser exitoso. En la Tabla 13, se presentan las condiciones de las variables en el experimento.

CONDICIONES

Edad estado civil= desconocido, divorciado, soltero, unión libre, viudo ocupación= ama de casa, área financiera, docente, empleado, estudiante, independiente,ingeniero, oficios varios, operario cirugia_deseada1=aum_implantes, cambio_implantes, cirugia facial, liposucción, mastopexia cirugia_deseada2=cambio implantes,liposucción, mastopexia,ninguna, otoplastia, rinoplastia, única MED_PARA_ARTRITIS=NO MED_PARA_TOS=NO MED_PARA_TIROIDES=NO MED_PARA_PRESION=NO

94

MED_PARA_PESO=NO planificación= histerectomía,met_dispositivo,met_inyectable,met_oral, ninguno,pareja,preservativo,vasectomía AF_EC=NO AF_ART=NO AF_ASM=NO AF_DIAB=NO HAB_CIGARRILLO=NO HAB_PASTIL_DORMIR=NO HAB_OTROS=NO

Tabla 13. Condiciones de las Variables - Experimento 4.

En este experimento, se encuentra la principal influencia de algunas

variables no identificadas en los algoritmos anteriores; la edad, que por

descripción de los datos, logramos identificar que la mayoría de los

pacientes del cirujano se encuentra entre los 20 y 35 años, así que se

podría encontrar una relación directa entre ésta variable y la variable

objetivo; la variable estado civil con excepción de las categorías casado y

separado y la variable planificación con excepción de las categorías desconocido y tubectomía.

Aparece nuevamente la primera y segunda cirugía deseada como

destacadas en éste algoritmo; además, los pacientes que no consumen

medicamentos para la artritis, la tos, la tiroides, la presión y el peso; que

no tienen antecedentes familiares de enfermedades coronarias, artritis,

asma y diabetes y que no tienen hábitos de cigarrillo, pastillas para dormir ni ningún otro.

Se continúa a la espera de la aparición de éstas nuevas variables en los siguientes algoritmos.

10.5. EXPERIMENTO 5: SELECCIÓN DE FACTORES CON REGLAS

DE ASOCIACIÓN

95

Objetivo del experimento: Descubrir las variables que tiene un

comportamiento en común dentro del conjunto de datos de las historias clínicas de los pacientes.

Modelado: A priori

Para realizar la ejecución del algoritmo; la base de datos fue dividida en dos

secciones, esto, debido a la cantidad de columnas y de registros y la no

entrega de resultados por parte de Weka.

Dicha división fue realizada de la siguiente forma:

• Parte 1 con las variables: sexo, edad, estado_civil,ocupacion,cirugía_deseada1,cirugía_deseada2, planificacion, AF_HA, AF_EC, AF_ART, AF_COAG, AF_ASM, AF_DIAB, AF_CAN, AF_OTR, HAB_CIGARRILLO, HAB_LICOR, HAB_CAFE, HAB_PASTIL_DORMIR, HAB_OTROS, IMC y operado.

• Parte 2 con las variables: MED_PARA_DIABETES, MED_PARA_PRESION, MED_PARA_DORMIR, MED_PARA_ARTRITIS, MED_PARA_PESO, MED_PARA_TIROIDES, MED_PARA_TOS, MED_FENOBARBITAL, MED_DIGITALICOS, MED_TRETINOINA, MED_ASPIRINA, MED_DIURETICOS, MED_ANTIBIOTICOS, MED_HORMONAS, MED_CORTISONA, MED_IBUPROFENO y operado.

Evaluación de resultados: A continuación, en la Tabla 14, se evidencian algunas reglas del algoritmo a

priori:

BASE DE DATOS REGLA

Parte 1

938. sexo=F cirugia_deseada2=ninguna AF_EC=NO AF_COAG=NO AF_OTR=NO 778 ==> operado=NO 778 conf:(1) 942. cirugia_deseada2=ninguna AF_EC=NO AF_ART=NO HAB_CAFE=NO HAB_PASTIL_DORMIR=NO HAB_OTROS=NO 778 ==> operado=NO 778 conf:(1)

96

19800. edad=juventud cirugia_deseada2=única AF_EC=NO AF_ASM=NO AF_CAN=NO HAB_PASTIL_DORMIR=NO HAB_OTROS=NO 776 ==> operado=SI 775 conf:(1)

19994. cirugia_deseada2=única AF_HA=NO AF_EC=NO AF_ART=NO AF_COAG=NO AF_DIAB=NO HAB_CIGARRILLO=NO HAB_LICOR=NO HAB_PASTIL_DORMIR=NO HAB_OTROS=NO 775 ==> operado=SI 774 conf:(1)

Parte 2

6. MED_PARA_ARTRITIS=NO MED_PARA_TIROIDES=NO MED_TRETINOINA=NO MED_ANTIBIOTICOS=NO MED_PARA_DIABETES=NO MED_FENOBARBITAL=NO MED_CORTISONA=NO 2292 ==> operado=SI 1439 conf:(0.63)

89. MED_PARA_ARTRITIS=NO MED_PARA_TIROIDES=NO MED_HORMONAS=NO MED_TRETINOINA=NO MED_ANTIBIOTICOS=NO MED_PARA_DIABETES=NO MED_FENOBARBITAL=NO MED_DIGITALICOS=NO 2284 ==> operado=SI 1433 conf:(0.63)

120. MED_PARA_ARTRITIS=NO MED_PARA_TIROIDES=NO MED_HORMONAS=NO MED_ANTIBIOTICOS=NO MED_PARA_DIABETES=NO MED_FENOBARBITAL=NO MED_CORTISONA=NO 2286 ==> operado=SI 1434 conf:(0.63)

19811. MED_ASPIRINA=NO MED_PARA_TIROIDES=NO MED_HORMONAS=NO MED_ANTIBIOTICOS=NO MED_PARA_PRESION=NO MED_PARA_DIABETES=NO MED_DIURETICOS=NO MED_FENOBARBITAL=NO MED_DIGITALICOS=NO MED_PARA_PESO=NO 2185 ==> operado=SI 1357 conf:(0.62)


Interpretación de resultados:

En la primera parte, el algoritmo entregó 20.000 reglas de asociación, se

observaron algunas características específicas:

- No entregó reglas donde se evidenciara la aparición de las variables:

“ocupación”, “cirugía_deseada1” y “planificación”.

97

- Todas las categorías relacionadas con antecedentes familiares son

iguales a “NO”.

- Todas las categorías relacionadas con hábitos son iguales a “NO”.

- Todas las categorías relacionadas con sexo son iguales a “F”.

- La única categoría relacionada con IMC es “saludable”.

- La variable IMC, siempre aparece cuando el consecuente es

“operado=SI”.

- Todas las reglas donde el consecuente es “operado=SI”, indican que

“cirugia_deseada2=única”.

- Todas las reglas donde el consecuente es “operado=NO”, indican que

“cirugia_deseada2=ninguna”.

En la parte dos, el algoritmo también entregó 20.000 reglas de asociación;

con las características específicas:

- Todas las categorías de los medicamentos sin iguales a “NO”.

- El del consecuente siempre es “operado=SI”.

De acuerdo a los resultados arrojados por este método, las variables claves son las que se presentan a continuación en la Tabla 15.

CONDICIONES Cirugia_deseada2="única" Sexo femenino Rango de edad = juventud IMC saludable No consumen medicamentos No tienen antecedentes familiares No tienen malos hábitos

Tabla 15. Condiciones Claves - Experimento 5.

Interpretación de los Datos:

Los resultados obtenidos en este experimento, son relativamente similares a

los obtenidos mediantes otros algoritmos puesto que continúa relacionando

98

la importancia de un paciente sano, que no consume medicamentos, no

tienen antecedentes familiares ni tiene malos hábitos y considerando la segunda cirugía deseada.

10.6. EXPERIMENTO 6: PERFILAMIENTO DE LOS TIPOS DE

PACIENTES CON CLUSTERING

Objetivo del experimento: Establecer los tipos de pacientes del cirujano John Jairo Valencia Quintero mediante un análisis de clustering.

Modelado: SimpleKMeans

Evaluación de resultados: Para determinar la cantidad de grupos se utilizan

dos estrategias. La primera es utilizar el algoritmo EM para identificar la

cantidad de clusters, lo cual arroja una cantidad de 6 grupos. Para verificar

esta cantidad, se realizan varios experimentos con diferente cantidad de

grupos para identificar la agrupación con menor cohesión, es decir con

grupos más compactos. Se obtuvo lo siguiente:

Cantidad de clusters: 4 Cohesión: 8.405,8 Cantidad de clusters: 5 Cohesión: 7.749,7 Cantidad de clusters: 6 Cohesión: 7.665,3 Cantidad de clusters: 7 Cohesión: 7.402,1 Cantidad de clusters: 8 Cohesión: 7.508

99

De acuerdo a lo anterior se concluye que la mejor agrupación se obtiene con

7 clústers ya que crean grupos más compactos. A continuación, se presenta la cantidad de datos, porcentajes y el perfilamiento de los clústers:

Ilustración 77. Cantidad de Datos por Clúster.

Ilustración 78. Porcentaje de Datos por Clúster.

100

Nro.CLÚSTER OPERADO DESCRIPCIÓN DEL CLÚSTER

0 SI

Pacientes de sexo femenino, de estado civil soltero, de ocupación estudiante, con deseo de realizarse sólo aumento mamario, método de planificación desconocido, que no consumen ningún medicamento, no tienen antecedentes familiares y no tienen ningún hábito.

1 NO

Pacientes de sexo femenino, de estado civil soltero, de ocupación desconocida, con deseo de realizarse sólo aumento mamario, ningún método de planificación, que no consumen ningún medicamento, no tienen antecedentes familiares y no tienen ningún hábito.

2 NO

Pacientes de sexo femenino, de estado civil soltero, de ocupación ama de casa, con deseo de realizarse sólo liposucción, método de planificación desconocido, que no consumen ningún medicamento, no tienen antecedentes familiares y no tienen ningún hábito.

3 NO

Pacientes de sexo femenino, de estado civil casado, de ocupación en área administrativa, con deseo de realizarse sólo liposucción, método de planificación desconocido, que no consumen ningún medicamento y no tienen ningún hábito.

4 SI

Pacientes de sexo femenino, de estado civil casado, de ocupación ama de casa, con deseo de realizarse sólo abdominoplastia, método de planificación desconocido, que no consumen ningún medicamento, no tienen antecedentes familiares y no tienen ningún hábito.

101

5 NO

Pacientes de sexo femenino, de estado civil casado, de ocupación ama de casa, con deseo de realizarse sólo aumento mamario, método de planificación desconocido, que no consumen ningún medicamento, no tienen antecedentes familiares y no tienen ningún hábito.

6 SI

Pacientes de sexo femenino, de estado civil soltero, de ocupación vendedor, con deseo de realizarse sólo liposucción, método de planificación desconocido, que no consumen ningún medicamento, con antecedentes familiares de hipertensión arterial y diabetes y no tienen ningún hábito.


Interpretación de los resultados Según los resultados de la evaluación presentados en la Tabla 16, se puede interpretar que los pacientes con más factibilidad de realizarse una cirugía estética con el cirujano John Jairo Valencia Quintero son:

• Pacientes de sexo femenino. • Pacientes de estado civil soltero y casado • Pacientes interesados en aumento mamario, liposucción o

abdominoplastia.

102

11. DESPLIEGUE

Se revisan entonces en conjunto, los resultados entregados por cada

algoritmo y se evalúa si con dichos resultados es posible llegar a una

conclusión para definir la priorización de pacientes para la asignación de citas de valoración del cirujano plástico John Jairo Valencia Quintero.

11.1. FACTORES MÁS INFLUYENTES EN LA REALIZACIÓN DE UNA

CIRUGÍA ESTÉTICA

A continuación, en la Tabla 17, se presentarán los resultados obtenidos con

cada uno de los experimentos, esto con la finalidad de encontrar algunos

patrones comunes que permiten a la vez concluir cuáles son los factores que

más influencia tienen en la realización de una cirugía estética en pacientes

que asisten a cita de valoración con el cirujano plástico John Jairo Valencia Quintero.

VARIABLE

EXPERIMENTOS DE MINERÍA DE DATOS

1. Corre/

2. PCA

3. Árb de

Dec

4. Regr Logís

5. Asoc

Nro. VECES

Sexo X 1 Edad X X 2 estado_civil X 1 ocupacion X X 2 cirugia_deseada1 X X X 3 cirugia_deseada2 X X X X 4 MED_ASPIRINA X 1 MED_IBUPROFENO X 1 MED_PARA_ARTRITIS X X 2 MED_PARA_DORMIR X 1 MED_PARA_TOS X X 2 MED_PARA_TIROIDES X X 2 MED_HORMONAS X 1

103

MED_TRETINOINA X 1 MED_ANTIBIOTICOS X 1 MED_PARA_PRESION X X 2 MED_PARA_DIABETES X 1 MED_DIURETICOS X 1 MED_FENOBARBITAL X 1 MED_DIGITALICOS X 1 MED_CORTISONA X 1 MED_PARA_PESO X X 2 planificacion X X 2 AF_HA X X 2 AF_EC X X 2 AF_ART X X 2 AF_COAG X 1 AF_ASM X X 2 AF_DIAB X X X 3 AF_CAN X 1 AF_OTR X X 2 HAB_CIGARRILLO X X X 3 HAB_LICOR X X 2 HAB_CAFE X X 2 HAB_PASTIL_DORMIR X X 2 HAB_OTROS X X 2 IMC X X X 3

Tabla 17. Resultado Final.

A continuación se presentan en su orden de importancia, los cinco factores

que, según los resultados arrojados por los experimentos, son los que más influyen en la realización de cirugías estéticas:

• Factor Uno: Segunda cirugía deseada: Se concluye que éste factor

es el más relevante en cuanto a la decisión de realizarse una cirugía

estética. Son varias reglas de negocio que se podrían tener en cuenta y que se deben evaluar; por ejemplo:

o Muchos pacientes manifiestan su deseo de realizarse dos

procedimientos en una sólo cirugía, por disminuir costos;

104

presenta menos costos una sola que cirugía que dos (gastos de quirófano, anestesia, instrumentación y honorarios médicos).

o En la base de datos, cuando la segunda cirugía es igual a

“única”, quiere decir que el paciente se realizó sólo la primera

cirugía y cuando es igual a “ninguna”, quiere decir que el

paciente no se operó.

• Factor Dos: Primera cirugía deseada: Se determina importante

entonces conocer qué tipo de cirugía motiva al paciente a asistir a una

cita de valoración; pues, según el análisis realizado mediante minería

de datos, las citas de valoración que finalmente terminan en una

cirugía son: las cirugías faciales, el aumento mamario, la bichectomía, el aumento de implantes, el aumento de glúteos y la abdominoplastia.

• Factor Tres: Índice de Masa Corporal: Éste factor es relevante y

obvio según la regla de negocio ya que, para que un paciente

médicamente pueda realizarse una cirugía estética debe tener un

índice de masa corporal adecuado; es decir, no deberá presentar

obesidad ni deberá estar por debajo del peso correspondiente a su

talla; esto, por los riesgos que generan ambas condiciones para un procedimiento estético.

• Factor Cuatro: Hábitos de Cigarrillo: Es un factor importante pero

también obvio ya que el cirujano plástico John Jairo Valencia Quintero,

exige a los pacientes que tienen el hábito de fumar, abandonar dicho

hábito por lo menos dos meses antes del procedimiento estético ya

que fumar cigarrillo afecta el proceso de oxigenación de los tejidos y por ende, el proceso de cicatrización

• Factor cinco: Antecedentes Familiares de Diabetes: Los

antecedentes familiares pueden ser importantes ya que aumentan el

riesgo de que el paciente sufra una enfermedad específica; llama la

105

atención precisamente éste antecedente ya que con el paciente

diabético se aumenta el riesgo de complicaciones en cirugía porque,

en éste caso, el paciente presenta aporte de nutrientes y de oxígeno

menor a los tejidos en reparación , además, éste tipo de paciente

puede tener daños en otros órganos internos asociados a su enfermedad.

11.2. SUGERENCIAS PARA EL CIRUJANO PLÁSTICO JOHN JAIRO

VALENCIA QUINTERO

Teniendo en cuenta los resultados obtenidos en este estudio y en

cumplimiento del último objetivo propuesto en el anteproyecto, sobre la

definición de una estrategia para la priorización de asignación de citas de

valoración, se realizan las siguientes recomendaciones y sugerencias para el cirujano plástico John Jairo Valencia Quintero:

• Para el proceso de minería de datos se requiere una base de datos

limpia, estructurada y normalizada de modo que, errores humanos no

puedan comprometer la veracidad de los modelos, además, para la

obtención de resultados coherentes es necesario el estricto

conocimiento de la regla de negocio que permita la inicial

identificación de correlaciones entre variables y redundancias; es por

esto que se hace necesario definir desde el inicio nombres

homogéneos para campos como ocupación, cirugías, planificación, entre otros.

• Ya que las citas de valoración son asignadas de manera telefónica a

través de la secretaria del cirujano plástico, se sugiere compartir los resultados del presente análisis.

106

• Crear un modelo de priorización de citas, basado en las variables

obtenidas como relevantes en el presente estudio que tenga en

cuenta los cinco factores para asignar las citas de valoración; dicho

modelo puede implementarse haciendo preguntas básicas mediante vía telefónica al paciente, tales como:

o ¿Qué cirugías desea realizarse?

o ¿Cuál es su peso y su talla? (Para hallar el IMC)

o ¿Fuma usted cigarrillo?

o ¿Hay en su familia antecedentes de diabetes?

Una vez obtenidas dichas respuestas, identificar, según el modelo, la

priorización que debe darse al paciente para asignar la consulta de valoración.

• Implementar en su historia clínica campos relevantes como: nivel de

escolaridad, nacionalidad, estrato socio-económico y número de hijos;

esto, con la intención de contar con más factores que en un futuro puedan ser estudiados y que entreguen resultados más amplios.

• Para identificar con mayor precisión la relevancia que tienen los

antecedentes familiares de diabetes, sería importante añadir en la

historia clínica, la persona que remite o que referencia al paciente

donde el cirujano plástico y el nivel de consanguineidad que se presenta entre ellos.

• Revisar los 7 clúster entregados sobre el modelo de perfilamiento de

sus pacientes y logre así mayor conocimiento sobre los mismos.

107

PARTE 3. CONCLUSIONES Y TRABAJO FUTURO

108

12. CONCLUSIONES

Al analizar los resultados de los distintos experimentos en su conjunto, se

destacan algunos factores que contribuyen a la realización de una cirugía

estética con el médico John Jairo Valencia Quintero. Conocer éstos factores,

son un punto de inicio para que, la rama de la cirugía plástica, identifique a

los pacientes más propensos a someterse a un procedimiento estético una

vez han asistido a una cita de valoración y lograr así, priorizar en su agenda a dichos pacientes. En éste sentido, los principales hallazgos del estudio son:

• Las cirugías que el paciente manifiesta que desea realizarse, son en

primera opción, los factores más relevantes; esto tiene sentido en

cuanto el paciente que asiste a una valoración tiene claro su deseo e

intención de realizarse un procedimiento específico y el papel del

cirujano plástico es reforzar la confianza del paciente brindando la

información adecuada; además, es importante, tener en cuenta el

factor social y cultural donde, muchas veces, las cirugías plásticas son motivadas por las necesidades del medio.

• El factor índice de masa corporal, que es la relación entre el peso y la

estatura, es el segundo más relevante a la hora de un paciente decidir

realizarse un procedimiento estético, esto es sobresaliente en la

medida que un índice de masa corporal por fuera del rango de

normalidad está asociada a mayor morbilidad en pacientes

quirúrgicos, es decir, con índices de masa corporal por debajo del

adecuado o con sobrepesos altos, se aumentan los riesgo de complicaciones operatorias y post operatorias.

• Otro factor importante, asociado al hábito del paciente que consume

cigarrillo, es relevante en el estudio dadas las implicaciones que tiene

109

éste hábito en el proceso quirúrgico y post operatorio; el cigarrillo

produce poca oxigenación en la sangre e influye negativamente en los

procesos de cicatrización, es importante recalcar además, que éste

hábito genera problemas a nivel sistémico, es decir, a nivel pulmonar,

cardiaco y cerebral. La falta de cicatrización en un procedimiento

estético puede generar deformidades a nivel cutáneo y también aumenta el riesgo de contraer infecciones .

• Se halló también la correlación entre la realización de un

procedimiento estético y los antecedentes familiares de diabetes;

dicha correlación no es clara dado que un paciente diabético bien

controlado médicamente puede someterse a un procedimiento

estético; dicha correlación merece estudiarse desde el área de la

salud para determinar qué factores pueden afectar quirúrgicamente a

un paciente con antecedentes diabéticos y así, quizá, definir medidas de prevención.

• Factores asociados a otro tipo de hábitos como el café, el licor o las

pastillas para dormir también hicieron parte de las variables que

influyen frente a la realización de un procedimiento estético;

médicamente resultan ser importantes desde la evaluación

comportamental que el cirujano hace al paciente; es decir, éste tipo de

hábitos pueden estar asociados a conductas de dependencia no propias para un paciente quirúrgicos.

110

13. TRABAJOS FUTUROS

A continuación, se presentan algunas sugerencias de trabajo futuro para el

cirujano plástico John Jairo Valencia Quintero, a partir de los resultados de la minería:

• Al conocer que los factores más influyentes en la realización de una

cirugía estética, los cuales son: las cirugías que el paciente manifiesta

que desea realizarse, el índice de masa corporal y hábitos como el

cigarrillo, sumando a los antecedentes familiares de diabetes; se

recomienda comenzar a realizar campañas informativas, a través de

plegables en el consultorio, página web y páginas de redes sociales

sobre la importancia de mantener un peso saludable antes de un

procedimiento estético, lo relevante sobre no tener el hábito de fumar

y los riesgos que éste implica sobre el proceso de cicatrización y, en

caso de tener antecedentes familiares de diabetes; lo significativo de

realizarse exámenes de diagnóstico de forma periódica.

• Dado el hallazgo anterior, y que médicamente no se encuentra una

razón lógica para que los antecedentes familiares de diabetes influyan

en la realización de una cirugía estética, se recomienda a la rama de

cirugía plástica, hacer análisis y estudios más profundos sobre la real

importancia de éste diagnóstico familiar en un paciente que desea someterse a una cirugía estética.

• Sobre la premisa anterior, es importante que el cirujano plástico John

Jairo Valencia Quintero, tenga en cuenta que, ya que muchos de sus

pacientes son referidos y suelen, por lo general, ser familiares, evalúe,

en dichas historias clínicas específicas, los antecedentes familiares sobre diabetes y logre hallar una relación entre éstos.

111

• Se presenta además, dado que los datos ya están homogénos y tiene

calidad de datos, la posibilidad de realizar minería de datos, mediante

análisis predictivo, a las historias clínicas de los pacientes que se

encuentran en proceso de valoración con el fin de predecir si se

realizarán una cirugía estética.

A continuación, se presentan trabajos futuros relacionados con los datos:

• Dado que los datos con los cuales se realizó el proceso de minería

fueron digitados de manera exclusiva para el estudio, se sugieres

realizar un control de calidad a dicha base de datos para revisión de

historias clínicas duplicadas, datos digitados en columnas no correspondientes y datos atípicos.

• Se sugiere al cirujano plástico John Jairo Valencia Quintero, emplear

términos homogéneos para las columnas, esto, con la finalidad de no

generar duplicidad; por ejemplo, la columna ocupación contenía

registros como: maestra, docente, licenciada, profesora; generando así, redundancia en las categorías.

112

REFERENCIAS

Arriagadas,J.,&Ortiz,A.(2010).ALGUNASREFLEXIONESETICASSOBRELACIRUGÍAPLÁSTICA.COMITÉDEÉTICA,CLÍNICALASCONDES,DEPARTAMENTODECIRUGÍAPLÁSTICA,

CLÍNICALASCONDES,LasCondes,Chile.

CongresoDeColombia.(18deFEBREROde1981).LEY23DE1981.Porlacualsedictannormasenmateriadeéticamédica.COLOMBIA.

MinisteriodeLaSalud.(08deJULIOde1999).RESOLUCIÓNNÚMERO1995DE1999.porlacualseestablecennormasparaelmanejodelaHistoriaClínica.COLOMBIA.

MinisteriodeLaProtecciónSocial.(11deJULIOde2007).RESOLUCIÓNNÚMERO2346DE

2007.Porlacualseregulalaprácticadeevaluacionesmédicasocupacionalesyelmanejoycontenidodelashistoriasclínicasocupacionales.COLOMBIA.

CongresodeColombia.(17deOCTUBREde2012).LEYESTATUTARIANo.1581.PORLACUALSEDICTANDISPOSICIONESGENERALESPARALAPROTECCIÓNDEDATOSPERSONALES.COLOMBIA.

Arias,J.,González,J.,García,Á.,&González,R.(2008).RINOPLASTIA.SociedadEspañoladeCirugíaOralyMaxilofacial,ProtocolosClínicos.

Reparaz,D.,Merlino,H.,Rancan,C.,Rodríguez,D.,Britos,P.,&GarcíaMartínez,R.(2008).

DETERMINACIONDELAEFICACIADELABRAQUITERAPIAENTRATAMIENTODECÁNCERBASADAENMINERIADEDATOS.UniversidaddeBuenosAires.,FacultaddeIngeniería,BuenosAires.

ArbelaézRodríguez,D.(2013).LACIRUGÍAPLÁSTICAENCOLOMBIA:¿UNAOBLIGACIÓNDE

MEDIOSODERESULTADO?

AbreudelaTorre,C.,Tumer,O.F.,González,R.A.,MaciasBetancourt,R.,&Leal,E.(2000).

PERFILDEPERSONALIDADENPACIENTESQUESOLICITANCIRUGÍAESTÉTICA.CIRUGÍAPLÁSTICA,10(3),97-101.

Acosta,R.,Rosete,A.,&Rodríguez,A.(2012).PREDICCIÓNDEPACIENTESDIABÉTICOS.PREPROCESADOPARAMINERÍADEDATOS.CiudadUniversitariaJoséAntonioEcheverría(CUJAE),FacultaddeIngenieríaInformática,LaHabana.

Aponte,E.J.(2007).LAIMPORTANCIADELAPROTECCIÓNDEDATOSDECARÁCTER

PERSONALENLASRELACIONESCOMERCIALES.Maracaibo,Venezuela.

Bermúdez,E.A.(2010).ESTRUCTURACIÓNPSIQUICAENMUJERESCONMÚLTIPLES

CIRUGÍASESTÉTICAS.RevistadePsicoanálisis,PsicoterapiaySaludMental,3(7).

113

Bustamante,G.,Chui,M.R.,Coca,I.,&Flóres,B.(2011).PREYPOSTOPERATORIO.RevistadeActualizaciónClínica,15,856-860.

Calderón,L.F.(2014).FUNCIÓNPSICOSOCIALDELACIRUGÍAESTÉTICA:ELCASODECINCOMUJERESENLACIUDADDECALI.UNIVERSIDADDESANBUENAVENTURA-CALI,FACULTADDEPSICOLOGÍA,Cali.

Coll,A.R.(1989).COSMETICSURGERY.195-199.

Dasso,A.,&Funes,A.(2012).AGREGACIÓNDEMÉTRICASDEMINERÍADEDATOSUSANDOFUNCIONESDELÓGICACONTÍNUA.Recuperadoel12deMarzode2017,de

http://sedici.unlp.edu.ar/bitstream/handle/10915/18896/Documento_completo.pdf?seque

nce=1

Formia,S.A.(2012).EVALUACIÓNDETÉCNICASDEEXTRACCIÓNDECONOCIMIENTOENBASESDEDATOSYSUAPLICACIÓNENLADESERCIÓNDEALUMNOSUNIVERSITARIOS.Recuperadoel12deMarzode2017,de

http://sedici.unlp.edu.ar/bitstream/handle/10915/26772/Documento_completo.pdf?seque

nce=1

Franco,Á.M.(2014).MODELOPARAANÁLISISDERIESGODELADIABETESMELLITUS2USANDOINTELIGENCIADENEGOCIOSYMINERÍADEDATOS.Tésis,UniversidadNacionaldeColombia,Cundinamarca,Bogotá.

IBM.(2012).MANUALCRISP_DMDEIBMSPSSMODELER.EEUU.

ISAPSInternationalSurveyonAesthetic/Cosmetic.(2014).PROCEDURESPERFORMEDIN

2014.

Jiménez,M.I.,&Mateos,R.(2013).PERFILESDEPACIENTESDIABÉTICOSQUESUFREN

REACCIONESADVERSASAMEDICAMENTOS.IDENTIFICACIÓNYCARACTERIZACIÓNATRAVÉS

DEMINERÍADEDATOS.An.RealAcad.Farm.,80(2),274-321.

Lizasoain,L.,&Joaristi,L.(2012).LASNUEVASTECNOLOGÍASYLAINVESTIGACIÓN

EDUCATIVA.ELANÁLISISDEVARIABLESCATEGORIALES.revistaespañoladepedagogía(251),111-130.

Manrique,D.(2005).SELECCIÓNDEPACIENTESYVALORACIÓNPREOPERATORIA-PAPELDELCIRUJANO.Distribuna,Bogotá.

Olivares,M.E.(2007).CIRUGÍAMAMARIA:ASPECTOSPSICOLÓGICOS.PSICOONCOLOGÍA,4(2-3),447-464.

Moreno,H.,&Zambrano,Y.(2013).AUTOESTIMAYDISTORSIÓNDELAIMÁGENCORPORALENMUJERESCONMAMOPLASTIAY/OGLUTEOPLASTIADEAUMENTO.UNIVERSIDADRAFAEL

114

URDANETA,FACULTADDECIENCIASPOLÍTICAS,ADMINISTRATIVASYSOCIALES.Maracaibo:

IrmaPeña.

Palma,S.,&Solís,L.(2009).ESTUDIODELASREPRESENTACIONESSOCIALESDELCUERPODEMUJERESQUESEHANREALIZADOALGÚNPROCEDIMIENTODECIRUGÍAESTÉTICA.UniversidadAcademiadeHumanismoCristiano,EscueladePsicología,Santiago.

Pautsch,J.G.(2009).MINERÍADEDATOSAPLICADAALANÁLISISDEDESERCIÓNENLACARRERADEANALISTAENSISTEMASDECOMPUTACIÓN.Recuperadoel12deMarzode

2017,de

http://exa.exa.unne.edu.ar/depar/areas/informatica/SistemasOperativos/TFAGermanPAUT

SCHFinal.pdf

Pezoa,M.(2013).SATISFACCIÓNYCALIDADPERCIBIDAENLAATENCIÓNDESALUDHOSPITALARIA:RANKINGDEPRESTADORESINFORMEGLOBALDEPARTAMENTO.SuperintendenciadeSalud,DepartamentodeEstudiosyDesarrrollo,Chile.

Piatetsky,G.(Mayode2015).WHATANALYTICS,BIGDATA,DATAMINING,DATASCIENCE

SOFTWAREYOUUSEDINTHEPASTMONTHSFORAREALPROJECT?RleadsRapidMiner,Pythoncatchesup,BigDatatoolsgrow,Sparkignites,págs.http://www.kdnuggets.com/2015/05/poll-r-rapidminer-python-big-data-spark.html.

Pérez,C.,&Santin,D.(2007).MINERÍADEDATOS,TÉCNICASYHERRAMIENTAS.Paraninfo.

Rochefort,G.,Berner,J.,Castillo,P.,&Vidal,H.P.(2014).IMPORTANCIADELADETECCIÓN

DELTRASTORNODISMÓRFICOCORPORALENLACONSULTADECIRUGÍAESTÉTICA.CirugíaPlásticaIberolatinoamericana,40(3),253-259.

Rodríguez,F.,&Vallejo,N.(2012).APLICACIÓNDETÉCNICASDEMINERÍADEDATOSPARAELDIAGNÓSTICOPREMATURODECÁNCER.UniversidadCarlosIII,Madrid,Madrid.

Spositto,O.M.,Echeverry,M.E.,Ryckeboer,H.L.,&Bossero,J.(2010).APLICACIÓNDETÉCNICASDEMINERÍADEDATOSPARALAEVALUACIÓNDELRENDIMIENTOACADÉMICOYLADESERCIÓNESTUDIANTIL.UniversidadNacionaldeLaMatanza,Departamentode

IngenieríaeInvestigacionesTecnológicas,BuenosAires.

Timarán,R.,&Yépez,M.C.(2012).LAMINERÍADEDATOSAPLICADAALDESCUBRIMIENTO

DEPATRONESDESUPERVIVENCIAENMUJERESCONCÁNCERINVASIVODECUELLO

UTERINO.UniversidadySalud,14(2),117-129.

Valenga,F.,Fernández,E.,Merlino,H.,Rodríguez,D.,Procopio,C.,Britos,P.,yotros.(2007).

MINERÍADEDATOSAPLICADAALADETECCIÓNDEPATRONESDELICTIVOSENARGENTINA.UniversidaddeBuenosAires,FacultaddeIngenierías.,BuenosAires.

115

LASAMÉRICAS,C.(s.f.).CLÍNICALASAMÉRICAS.Obtenidodehttp://clinicalasamericas.lasamericas.com.co/

MinisteriodeLaSalud.(05de08de1994).RESOLUCIONNUMERO5261DE1994.

Azoumana,K.(2013).ANÁLISISDELADESERCIÓNESTUDIANTILENLAUNIVERSIDADSIMÓN

BOLIVAR,FACULTADINGENIERÍADESISTEMAS,CONTÉCNICASDEMINERÍADEDATOS.

PensamientoAmericano,41-51.

Elliott,A.(2008).MAKINGTHECUT:HOWCOSMETICSURGERYISTRANSFORMINGOURLIVES.Londres.

MINERÍA DE DATOS DE LA SALUD: ANÁLISIS DE LOS FACTORES …

Documents

Transcript of MINERÍA DE DATOS DE LA SALUD: ANÁLISIS DE LOS FACTORES …